論文の概要: Guiding Graph Embeddings using Path-Ranking Methods for Error Detection
innoisy Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2002.08762v2
- Date: Sat, 12 Dec 2020 20:43:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 12:51:20.383226
- Title: Guiding Graph Embeddings using Path-Ranking Methods for Error Detection
innoisy Knowledge Graphs
- Title(参考訳): 異常知識グラフの誤り検出のためのパスランキング法によるグラフ埋め込みの誘導
- Authors: K. Bougiatiotis, R. Fasoulis, F. Aisopos, A. Nentidis, G. Paliouras
- Abstract要約: この研究は、様々な主要なアプローチを示し、タスクのためのハイブリッドでモジュラーな方法論を提案する。
2つのベンチマークと1つの実世界のバイオメディカル・パブリッシング・データセットで異なる手法を比較し、アプローチの可能性を示している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays Knowledge Graphs constitute a mainstream approach for the
representation of relational information on big heterogeneous data, however,
they may contain a big amount of imputed noise when constructed automatically.
To address this problem, different error detection methodologies have been
proposed, mainly focusing on path ranking and representation learning. This
work presents various mainstream approaches and proposes a hybrid and modular
methodology for the task. We compare different methods on two benchmarks and
one real-world biomedical publications dataset, showcasing the potential of our
approach and providing insights on graph embeddings when dealing with noisy
Knowledge Graphs.
- Abstract(参考訳): 今日、知識グラフは、大きな異種データに対する関係情報の表現に対する主流のアプローチとなっているが、自動的に構築された場合、大量のインデュートノイズを含む可能性がある。
この問題に対処するために,経路ランキングと表現学習を中心に,異なる誤り検出手法が提案されている。
本研究は,様々な主流的アプローチを示し,そのタスクにハイブリッドかつモジュラーな方法論を提案する。
2つのベンチマークと1つの実世界のバイオメディカルパブリッシングデータセットで異なる手法を比較し、我々のアプローチの可能性を示し、ノイズの多い知識グラフを扱う際のグラフ埋め込みに関する洞察を提供する。
関連論文リスト
- ALEX: Towards Effective Graph Transfer Learning with Noisy Labels [11.115297917940829]
本稿では,グラフ伝達学習の課題に対処するため,バランスアライメントと情報認識試験(ALEX)と呼ばれる新しい手法を提案する。
ALEXはまず特異値分解を使用して、重要な構造的意味論を持つ異なるビューを生成し、堅牢なノード表現を提供する。
この基礎の上に構築され、複雑なマルチモーダル分布の暗黙的な領域アライメントのために、対向領域判別器が組み込まれている。
論文 参考訳(メタデータ) (2023-09-26T04:59:49Z) - A Survey of Imbalanced Learning on Graphs: Problems, Techniques, and
Future Directions [64.84521350148513]
グラフは、現実世界の無数に存在する相互接続構造を表す。
グラフ学習方法のような効果的なグラフ分析により、ユーザはグラフデータから深い洞察を得ることができる。
しかし、これらの手法はデータ不均衡に悩まされることが多く、グラフデータでは、あるセグメントが豊富なデータを持っているのに、他のセグメントが不足しているのが一般的な問題である。
これは、より正確で代表的な学習結果のために、これらのデータ分散スキューを補正することを目的として、グラフ上の不均衡学習の出現する分野を必要とする。
論文 参考訳(メタデータ) (2023-08-26T09:11:44Z) - Unsupervised Multiplex Graph Learning with Complementary and Consistent
Information [20.340977728674698]
非教師付き多重グラフ学習(UMGL)は、下流の異なるタスクに対して大きな効果を発揮することが示されている。
従来の手法は通常、実用上の問題、すなわちサンプル外問題やノイズ問題を見落としている。
本稿では,相補的情報と一貫した情報の両方を効果的かつ効率的に探索する手法を提案する。
論文 参考訳(メタデータ) (2023-08-03T08:24:08Z) - High-order Multi-view Clustering for Generic Data [15.764819403555512]
グラフベースのマルチビュークラスタリングは、ほとんどの非グラフアプローチよりも優れたパフォーマンスを実現している。
本稿では,高次マルチビュークラスタリング (HMvC) という手法を導入し,汎用データのトポロジ構造情報を探索する。
論文 参考訳(メタデータ) (2022-09-22T07:49:38Z) - Hub-aware Random Walk Graph Embedding Methods for Classification [68.8204255655161]
ノード分類問題に特化して設計されたランダムウォークに基づく2つの新しいグラフ埋め込みアルゴリズムを提案する。
提案手法は,実世界のネットワークの埋め込みを訓練した3つの分類アルゴリズムの分類性能を解析して実験的に評価する。
論文 参考訳(メタデータ) (2022-09-15T20:41:18Z) - From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale
Contrastive Learning Approach [49.439021563395976]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。
マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。
グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文 参考訳(メタデータ) (2022-02-11T09:45:11Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2021-12-15T01:45:32Z) - Generative and Contrastive Self-Supervised Learning for Graph Anomaly
Detection [14.631674952942207]
グラフ異常検出のための自己教師付き学習法(SL-GAD)を提案する。
提案手法では,対象ノードに基づいて異なるコンテキストサブグラフを構築し,生成属性回帰とマルチビューコントラスト学習という2つのモジュールを用いて異常検出を行う。
提案手法は,6つのベンチマークデータセットに対して広範な実験を行い,提案手法が最先端の手法よりも大きなマージンで優れていることを示した。
論文 参考訳(メタデータ) (2021-08-23T02:15:21Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳(メタデータ) (2021-05-22T07:05:48Z) - Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。
本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。
提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文 参考訳(メタデータ) (2021-02-14T05:28:13Z) - Graph embedding using multi-layer adjacent point merging model [23.706877029336415]
本稿では, 隣接した多層マージ点モデルを用いたグラフ埋め込み手法を提案する。
この埋め込み手法により、列車データから異なるサブグラフパターンを抽出できる。
数値解析により,提案手法が多くの最先端手法より優れていることを示す。
論文 参考訳(メタデータ) (2020-10-28T05:35:04Z)
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。