論文の概要: A Physical Embedding Model for Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2001.07418v1
- Date: Tue, 21 Jan 2020 10:02:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-08 00:01:34.631625
- Title: A Physical Embedding Model for Knowledge Graphs
- Title（参考訳）: 知識グラフのための物理埋め込みモデル
- Authors: Caglar Demir and Axel-Cyrille Ngonga Ngomo
- Abstract要約: 本稿では,知識グラフの埋め込み計算のための新しい,スケーラブルなパラダイムを提案する。
我々は、D薬バンクとDBpediaのデータセットに対する6つの最先端の埋め込みアプローチに対するアプローチを評価した。
- 参考スコア（独自算出の注目度）: 1.1650381752104297
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge graph embedding methods learn continuous vector representations for
entities in knowledge graphs and have been used successfully in a large number
of applications. We present a novel and scalable paradigm for the computation
of knowledge graph embeddings, which we dub PYKE . Our approach combines a
physical model based on Hooke's law and its inverse with ideas from simulated
annealing to compute embeddings for knowledge graphs efficiently. We prove that
PYKE achieves a linear space complexity. While the time complexity for the
initialization of our approach is quadratic, the time complexity of each of its
iterations is linear in the size of the input knowledge graph. Hence, PYKE's
overall runtime is close to linear. Consequently, our approach easily scales up
to knowledge graphs containing millions of triples. We evaluate our approach
against six state-of-the-art embedding approaches on the DrugBank and DBpedia
datasets in two series of experiments. The first series shows that the cluster
purity achieved by PYKE is up to 26% (absolute) better than that of the state
of art. In addition, PYKE is more than 22 times faster than existing embedding
solutions in the best case. The results of our second series of experiments
show that PYKE is up to 23% (absolute) better than the state of art on the task
of type prediction while maintaining its superior scalability. Our
implementation and results are open-source and are available at
http://github.com/dice-group/PYKE.
- Abstract（参考訳）: 知識グラフ埋め込み法は知識グラフの実体に対する連続ベクトル表現を学習し、多くのアプリケーションでうまく使われている。
本稿では,知識グラフの埋め込み計算のための新しい,スケーラブルなパラダイムを提案する。
提案手法は,Hookeの法則に基づく物理モデルと,シミュレーションアニーリングから知識グラフへの埋め込みを効率的に計算するアイデアとを組み合わせる。
PYKE が線型空間複雑性を実現することを証明する。
我々のアプローチの初期化の時間的複雑さは二次的であるが、それぞれのイテレーションの時間的複雑さは入力知識グラフのサイズにおいて線形である。
したがって、PYKE全体のランタイムは線形に近い。
したがって,本手法は,数百万のトリプルを含む知識グラフに容易にスケールアップできる。
我々は,2つの実験において,dronebank と dbpedia データセットに対する 6 つの最先端の埋め込みアプローチに対するアプローチを評価した。
第1シリーズでは、PYKEによって達成されたクラスタの純度が、最先端技術よりも最大26%(絶対)高いことが示されている。
加えて、PYKEは、ベストケースにおける既存の埋め込みソリューションの22倍以上の速度である。
第2の一連の実験の結果、pykeは優れたスケーラビリティを維持しつつ、型予測に関する最先端の技術よりも最大23%(絶対的)に優れていることが分かりました。
私たちの実装と結果はオープンソースで、http://github.com/dice-group/pyke.com/で利用できます。
関連論文リスト
- Scalable and Flexible Causal Discovery with an Efficient Test for Adjacency [48.769884734826974]
因果グラフに2つの変数が隣接しているかどうかを評価するために,スケーラブルで柔軟な手法を構築した。
微分可能隣接テストは指数関数的な数のテストを、証明可能な等価な緩和問題に置き換える。
DAT, DAT-Graphに基づくグラフ学習手法も構築し, 介入したデータから学習する。
論文 参考訳（メタデータ） (2024-06-13T14:39:40Z) - From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。
グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
論文 参考訳（メタデータ） (2023-09-24T10:10:21Z) - Sparsity exploitation via discovering graphical models in multi-variate
time-series forecasting [1.2762298148425795]
本稿では,グラフ生成モジュールとGNN予測モジュールを含む分離学習手法を提案する。
まず、Graphical Lasso(またはGraphLASSO)を使用して、データから空間パターンを直接利用してグラフ構造を構築します。
次に、これらのグラフ構造と入力データをGCRN(Graph Convolutional Recurrent Network)に適合させて予測モデルをトレーニングする。
論文 参考訳（メタデータ） (2023-06-29T16:48:00Z) - Efficiently Learning the Graph for Semi-supervised Learning [4.518012967046983]
共役勾配法を用いてスパース族から最良のグラフを効率的に学習する方法を示す。
我々の手法は、軽度な滑らかさの仮定の下で、オンラインのサブ線形後悔でグラフを効率的に学習するためにも利用できる。
提案手法を実装し,ベンチマークデータセット上の学習グラフを用いた半教師付き学習の先行研究に対して,大幅な(sim$10-100x)スピードアップを示す。
論文 参考訳（メタデータ） (2023-06-12T13:22:06Z) - Learning Large Graph Property Prediction via Graph Segment Training [61.344814074335304]
本稿では,メモリフットプリントを一定にして大きなグラフ特性予測を学習できる汎用フレームワークを提案する。
バックプロパゲーションのためにサンプリングされていないセグメントに対する埋め込みを効率的に得るために,歴史的埋め込みテーブルを導入することにより,GSTパラダイムを洗練する。
実験の結果,GST-EFDはメモリ効率が良く,高速でありながら,通常の全グラフ学習システムよりもテスト精度が若干向上していることがわかった。
論文 参考訳（メタデータ） (2023-05-21T02:53:25Z) - A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic,
and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。
質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文 参考訳（メタデータ） (2022-12-12T08:40:04Z) - Bringing Your Own View: Graph Contrastive Learning without Prefabricated
Data Augmentations [94.41860307845812]
Self-supervisionは最近、グラフ学習の新しいフロンティアに力を入れている。
GraphCLは、グラフデータ拡張のアドホックな手作業による選択によって反映されたプレハブ付きプリファブリックを使用する。
グラフ生成器のパラメータ空間における学習可能な連続前処理へと拡張した。
我々は、情報最小化(InfoMin)と情報ボトルネック(InfoBN)の2つの原則を利用して、学習した事前情報を規則化する。
論文 参考訳（メタデータ） (2022-01-04T15:49:18Z) - Scalable Graph Embedding LearningOn A Single GPU [18.142879223260785]
本稿では,大規模グラフの埋め込み学習の課題に対処する,ハイブリッドCPU-GPUフレームワークを提案する。
我々のシステムは、単一のマシンの総メモリ容量より桁違いに大きいデータセットにトレーニングをスケールできることを示します。
論文 参考訳（メタデータ） (2021-10-13T19:09:33Z) - Learnable Graph Matching: Incorporating Graph Partitioning with Deep
Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。
既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。
そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文 参考訳（メタデータ） (2021-03-30T08:58:45Z) - Knowledge Generation -- Variational Bayes on Knowledge Graphs [0.685316573653194]
この論文は、現実世界の知識グラフの表現に関するVari Auto-Encoder (VAE) の概念実証である。
生成グラフへのアプローチの成功に触発されて,本モデルである変分オートエンコーダ(rgvae)の能力を評価する。
RGVAEはリンク予測に基づいて評価される。
2つのFB15K-237およびWN18RRデータセットの平均相互ランク(MRR)スコアを比較します。
2次実験における潜伏空間について検討する:まず、2つの三重項の潜伏表現の間の線型、そして各三重項の探索
論文 参考訳（メタデータ） (2021-01-21T21:23:17Z) - Knowledge Graph Embedding with Atrous Convolution and Residual Learning [4.582412257655891]
本稿では, 単純だが効果的な畳み込みに基づく知識グラフ埋め込み法を提案する。
アトラスな畳み込みを用いることで、機能相互作用を効果的に増加させる。
元の情報が忘れられた問題と、勾配の問題が消え/露呈する問題に対処する。
論文 参考訳（メタデータ） (2020-10-23T00:57:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。