論文の概要: Low-Dimensional Hyperbolic Knowledge Graph Embeddings

• arxiv url: http://arxiv.org/abs/2005.00545v1
• Date: Fri, 1 May 2020 18:00:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 22:35:45.351324
• Title: Low-Dimensional Hyperbolic Knowledge Graph Embeddings
• Title（参考訳）: 低次元双曲的知識グラフ埋め込み
• Authors: Ines Chami, Adva Wolf, Da-Cheng Juan, Frederic Sala, Sujith Ravi and Christopher R\'e
• Abstract要約: 階層的および論理的パターンを同時にキャプチャする,双曲型KG埋め込みモデルのクラスを導入する。 実験の結果, 従来のユークリッド法および双曲型法よりも6.1%の低次元で改善が得られた。 高次元では、WN18RRでは49.6%、YAGO3-10では57.7%の新しい最先端MRRが得られる。
• 参考スコア（独自算出の注目度）: 40.32524961979543
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph (KG) embeddings learn low-dimensional representations of entities and relations to predict missing facts. KGs often exhibit hierarchical and logical patterns which must be preserved in the embedding space. For hierarchical data, hyperbolic embedding methods have shown promise for high-fidelity and parsimonious representations. However, existing hyperbolic embedding methods do not account for the rich logical patterns in KGs. In this work, we introduce a class of hyperbolic KG embedding models that simultaneously capture hierarchical and logical patterns. Our approach combines hyperbolic reflections and rotations with attention to model complex relational patterns. Experimental results on standard KG benchmarks show that our method improves over previous Euclidean- and hyperbolic-based efforts by up to 6.1% in mean reciprocal rank (MRR) in low dimensions. Furthermore, we observe that different geometric transformations capture different types of relations while attention-based transformations generalize to multiple relations. In high dimensions, our approach yields new state-of-the-art MRRs of 49.6% on WN18RR and 57.7% on YAGO3-10.
• Abstract（参考訳）: 知識グラフ(kg)埋め込みは、欠落した事実を予測するために実体と関係の低次元表現を学ぶ。 KGは階層的かつ論理的なパターンをしばしば示し、埋め込み空間で保存しなければならない。 階層的データでは、双曲埋め込みメソッドは高忠実性と控えめな表現を約束している。 しかし、既存の双曲的埋め込み法はKGの豊かな論理パターンを考慮しない。 本稿では,階層的および論理的パターンを同時に捉えた双曲型kg埋め込みモデルを提案する。 このアプローチは双曲反射と回転を組み合わせ、複雑な関係パターンをモデル化する。 標準KGベンチマークによる実験結果から, 従来のユークリッド法および双曲型法よりも, 低次元の平均相互ランク (MRR) が最大6.1%向上することが示唆された。 さらに,異なる幾何学的変換が異なる関係を捉え,注意に基づく変換が複数の関係に一般化することを観察する。 高次元では、WN18RRでは49.6%、YAGO3-10では57.7%の新しい最先端MRRが得られる。

関連論文リスト

• From Semantics to Hierarchy: A Hybrid Euclidean-Tangent-Hyperbolic Space Model for Temporal Knowledge Graph Reasoning [1.1372536310854844]
  時間的知識グラフ(TKG)推論は、過去のデータに基づいて将来の出来事を予測する。 既存のユークリッドモデルはセマンティクスを捉えるのに優れているが、階層構造に苦しむ。 ユークリッドモデルと双曲モデルの両方の強みを利用する新しいハイブリッド幾何空間アプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-30T10:33:08Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• Geometry Interaction Knowledge Graph Embeddings [153.69745042757066]
  ユークリッド空間,双曲空間,超球空間間の空間構造を対話的に学習する幾何学的相互作用知識グラフ埋め込み(GIE)を提案する。 提案したGIEは、よりリッチなリレーショナル情報、モデルキー推論パターンをキャプチャし、エンティティ間の表現的セマンティックマッチングを可能にする。
  論文  参考訳（メタデータ） (2022-06-24T08:33:43Z)
• Hyperbolic Hierarchical Knowledge Graph Embeddings for Link Prediction in Low Dimensions [11.260501547769636]
  我々は、$textbfHyp$erbolic $textbfH$ierarchical $textbfKGE$ (HypHKGE)と呼ばれる新しいKGEモデルを提案する。 このモデルは、双曲空間に対する注意に基づく学習可能な曲率を導入し、リッチなセマンティック階層を保存するのに役立つ。 3つのベンチマークデータセットに対するHypHKGEモデルの有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2022-04-28T03:41:41Z)
• Modeling Heterogeneous Hierarchies with Relation-specific Hyperbolic Cones [64.75766944882389]
  知識グラフにおける複数の階層的および非階層的関係を同時にモデル化できるKG埋め込みモデルであるConE(Cone Embedding)を提案する。 特に、ConEは双曲埋め込み空間の異なる部分空間における円錐包含制約を用いて、複数の異種階層をキャプチャする。 我々のアプローチでは、WN18RRで45.3%、DDB14で16.1%の新しい最先端hits@1が得られる(0.231 MRR)。
  論文  参考訳（メタデータ） (2021-10-28T07:16:08Z)
• What is Learned in Knowledge Graph Embeddings? [3.224929252256631]
  知識グラフ(英: knowledge graph, KG)とは、有向グラフの頂点と辺として実体と関係を表すデータ構造である。 本稿では,関係性間の規則の学習が,組込み方式の性能向上の要因であるかどうかを考察する。 合成KGの実験により、KGモデルがモチーフを学習し、その能力が非モチーフエッジによってどのように劣化するかを示す。
  論文  参考訳（メタデータ） (2021-10-19T13:52:11Z)
• BiQUE: Biquaternionic Embeddings of Knowledge Graphs [9.107095800991333]
  既存の知識グラフ埋め込み(KGE)は、コンパクトにマルチリレーショナル知識グラフ(KG)を符号化する KGEモデルでは、KGの多元関係を完全にカバーするために、複数の幾何変換を統一することが重要である。 複数の幾何変換を統合するために二元数を用いた新しいモデルであるBiQUEを提案する。
  論文  参考訳（メタデータ） (2021-09-29T13:05:32Z)
• Hyperbolic Graph Embedding with Enhanced Semi-Implicit Variational Inference [48.63194907060615]
  半単純グラフ変分自動エンコーダを用いて,低次元グラフ潜在表現における高次統計量を取得する。 我々は、階層構造を示すグラフを効率的に表現するために、ポインケア埋め込みを通して潜在空間に双曲幾何学を組み込む。
  論文  参考訳（メタデータ） (2020-10-31T05:48:34Z)
• Knowledge Graph Embeddings in Geometric Algebras [14.269860621624392]
  幾何学代数に基づく新しいKG埋め込みフレームワークGeomEを紹介する。 我々のフレームワークは、最先端のKG埋め込みアプローチを仮定し、様々なキー関係パターンをモデル化する能力に有利である。 複数のベンチマーク知識グラフの実験結果から,提案手法はリンク予測のための既存の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-10-02T13:36:24Z)

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。