論文の概要: LineaRE: Simple but Powerful Knowledge Graph Embedding for Link
Prediction
- arxiv url: http://arxiv.org/abs/2004.10037v2
- Date: Thu, 18 Feb 2021 05:55:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 05:54:19.274108
- Title: LineaRE: Simple but Powerful Knowledge Graph Embedding for Link
Prediction
- Title(参考訳): LineaRE: リンク予測のためのシンプルだが強力な知識グラフ埋め込み
- Authors: Yanhui Peng and Jing Zhang
- Abstract要約: 本研究では,4つの接続パターンと4つのマッピング特性をモデル化可能な新しい埋め込みモデルLineaREを提案する。
複数の実世界のデータセットに対する実験結果から、提案したLineaREモデルは、リンク予測タスクのための既存の最先端モデルよりも大幅に優れていることが示された。
- 参考スコア(独自算出の注目度): 7.0294164380111015
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The task of link prediction for knowledge graphs is to predict missing
relationships between entities. Knowledge graph embedding, which aims to
represent entities and relations of a knowledge graph as low dimensional
vectors in a continuous vector space, has achieved promising predictive
performance. If an embedding model can cover different types of connectivity
patterns and mapping properties of relations as many as possible, it will
potentially bring more benefits for link prediction tasks. In this paper, we
propose a novel embedding model, namely LineaRE, which is capable of modeling
four connectivity patterns (i.e., symmetry, antisymmetry, inversion, and
composition) and four mapping properties (i.e., one-to-one, one-to-many,
many-to-one, and many-to-many) of relations. Specifically, we regard knowledge
graph embedding as a simple linear regression task, where a relation is modeled
as a linear function of two low-dimensional vector-presented entities with two
weight vectors and a bias vector. Since the vectors are defined in a real
number space and the scoring function of the model is linear, our model is
simple and scalable to large knowledge graphs. Experimental results on multiple
widely used real-world datasets show that the proposed LineaRE model
significantly outperforms existing state-of-the-art models for link prediction
tasks.
- Abstract(参考訳): 知識グラフのリンク予測のタスクは、エンティティ間の欠落関係を予測することである。
連続ベクトル空間における低次元ベクトルとして知識グラフの実体と関係を表現することを目的とした知識グラフ埋め込みは,予測性能を期待できる。
埋め込みモデルがさまざまな種類の接続パターンや関係のマッピング特性を可能な限りカバーできるのであれば、リンク予測タスクにさらにメリットをもたらす可能性がある。
本稿では,4つの接続パターン(対称性,反対称性,反転,合成)と4つのマッピング特性(一対一,一対一,多対一,多対多,多対多)をモデル化できる新しい埋め込みモデル,リニアモデルを提案する。
具体的には, 2つの重みベクトルとバイアスベクトルを持つ2つの低次元ベクトル表現実体の線形関数として関係をモデル化する単純な線形回帰タスクとして知識グラフ埋め込みを考える。
ベクトルは実数空間で定義され、モデルのスコアリング関数は線型であるため、我々のモデルは単純で、大きな知識グラフに対してスケーラブルである。
複数の実世界のデータセットにおける実験結果から,提案する線形モデルがリンク予測タスクにおいて既存の最先端モデルを大きく上回ることがわかった。
関連論文リスト
- Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。
本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。
我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
論文 参考訳(メタデータ) (2024-11-08T17:40:43Z) - Connector 0.5: A unified framework for graph representation learning [5.398580049917152]
本稿では,浅層から最先端まで,様々なグラフ埋め込みモデルをカバーする新しいグラフ表現フレームワークを提案する。
我々は,グラフの構造的関係を表現するためのディープグラフ埋め込みモデルを提供する,効率的なオープンソースフレームワークを構築する計画である。
論文 参考訳(メタデータ) (2023-04-25T23:28:38Z) - You Only Transfer What You Share: Intersection-Induced Graph Transfer
Learning for Link Prediction [79.15394378571132]
従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。
より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。
この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
論文 参考訳(メタデータ) (2023-02-27T22:56:06Z) - Link Prediction with Attention Applied on Multiple Knowledge Graph
Embedding Models [7.620967781722715]
知識グラフは、地図ノードをベクトル空間に埋め込み、新しいリンクを予測する。
すべてのパターンを平等に学習できるモデルはありません。
本稿では,複数のモデルからのクエリ表現を統一的に組み合わせ,各モデルによって独立にキャプチャされたパターンを組み込む。
論文 参考訳(メタデータ) (2023-02-13T10:07:26Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳(メタデータ) (2022-12-01T11:49:07Z) - STaR: Knowledge Graph Embedding by Scaling, Translation and Rotation [20.297699026433065]
ビリニア法は知識グラフ埋め込み(KGE)において主流であり、実体と関係性の低次元表現を学習することを目的としている。
以前の研究では、主に非可換性のような6つの重要なパターンが発見されている。
上述の2つの部分からなるバイリニアモデルスケーリング翻訳・回転(STaR)を提案する。
論文 参考訳(メタデータ) (2022-02-15T02:06:22Z) - Learning Representations of Entities and Relations [0.0]
この論文は,リンク予測タスクに取り組むことを目的とした知識グラフ表現の改善に焦点を当てている。
最初のコントリビューションはHypERであり、リンク予測性能を単純化し改善する畳み込みモデルである。
第2のコントリビューションは比較的単純な線形モデルであるTuckERで、このモデルが導入された時点では、最先端のリンク予測性能が得られた。
第3の貢献は、双曲空間に埋め込まれた最初のマルチリレーショナルグラフ表現モデルである MuRP である。
論文 参考訳(メタデータ) (2022-01-31T09:24:43Z) - QuatDE: Dynamic Quaternion Embedding for Knowledge Graph Completion [4.837804582368272]
我々は,様々な関係パターンを明示的に捉えるための動的マッピング戦略を備えた新しいモデルQuatDEを提案する。
実験結果から,QuatDEは3つの確立された知識グラフ補完ベンチマークで最先端の性能を達成できた。
論文 参考訳(メタデータ) (2021-05-19T09:10:39Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳(メタデータ) (2020-06-11T17:42:46Z) - Auto-decoding Graphs [91.3755431537592]
生成モデルは、潜在コードからグラフを合成することを学ぶ自動デコーダである。
グラフは、おそらく接続パターンを特定するためにトレーニングされた自己アテンションモジュールを使用して合成される。
論文 参考訳(メタデータ) (2020-06-04T14:23:01Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳(メタデータ) (2020-03-15T02:33:21Z)
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。