論文の概要: Benchmarking neural embeddings for link prediction in knowledge graphs under semantic and structural changes

• arxiv url: http://arxiv.org/abs/2005.07654v2
• Date: Thu, 28 May 2020 08:11:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 22:16:52.162115
• Title: Benchmarking neural embeddings for link prediction in knowledge graphs under semantic and structural changes
• Title（参考訳）: 意味的および構造的変化を考慮した知識グラフにおけるリンク予測のためのベンチマークニューラルネットワーク埋め込み
• Authors: Asan Agibetov, Matthias Samwald
• Abstract要約: 本稿では,ニューラルネットワークの精度をベンチマークするオープンソースの評価パイプラインを提案する。 我々は,リンク予測能力と知識グラフの構造を接続する関係中心の接続手段を定義する。
• 参考スコア（独自算出の注目度）: 6.23228063561537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, link prediction algorithms based on neural embeddings have gained tremendous popularity in the Semantic Web community, and are extensively used for knowledge graph completion. While algorithmic advances have strongly focused on efficient ways of learning embeddings, fewer attention has been drawn to the different ways their performance and robustness can be evaluated. In this work we propose an open-source evaluation pipeline, which benchmarks the accuracy of neural embeddings in situations where knowledge graphs may experience semantic and structural changes. We define relation-centric connectivity measures that allow us to connect the link prediction capacity to the structure of the knowledge graph. Such an evaluation pipeline is especially important to simulate the accuracy of embeddings for knowledge graphs that are expected to be frequently updated.
• Abstract（参考訳）: 近年,ニューラルネットワークを用いたリンク予測アルゴリズムがセマンティックウェブコミュニティで急速に普及し,知識グラフの補完に広く利用されている。 アルゴリズムの進歩は、埋め込みの効率的な学習方法に強く焦点を合わせてきたが、その性能と堅牢性の評価方法にはあまり注意が向けられていない。 本研究では,知識グラフが意味的および構造的変化を経験する可能性のある状況において,神経埋め込みの精度をベンチマークするオープンソースの評価パイプラインを提案する。 我々は,リンク予測能力と知識グラフの構造を接続する関係中心の接続手段を定義する。 このような評価パイプラインは、頻繁に更新されるであろう知識グラフの埋め込みの精度をシミュレートするために特に重要である。

関連論文リスト

• CADGE: Context-Aware Dialogue Generation Enhanced with Graph-Structured Knowledge Aggregation [25.56539617837482]
  コンテキスト対応グラフアテンションモデル(Context-aware GAT)を提案する。 これは、コンテキスト強化された知識集約機構を通じて、関連する知識グラフからグローバルな特徴を同化する。 実験により,本フレームワークは従来のGNNベース言語モデルよりも性能が優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-10T16:31:35Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Informed Machine Learning for Improved Similarity Assessment in Process-Oriented Case-Based Reasoning [1.370633147306388]
  グラフニューラルネットワーク(GNN)にドメイン知識を統合する可能性について検討する。 まず、各グラフノードとエッジのセマンティックアノテーションに関する構造知識を符号化する特殊なデータ表現処理手法を用いる。 第2に、GNNのメッセージパッシングコンポーネントは、法的なノードマッピングに関する知識によって制約される。
  論文  参考訳（メタデータ） (2021-06-30T09:31:58Z)
• KGRefiner: Knowledge Graph Refinement for Improving Accuracy of Translational Link Prediction Methods [4.726777092009553]
  本稿では,知識グラフの精細化手法を提案する。 これにより知識グラフがより情報的になり、リンク予測操作をより正確に行うことができる。 提案手法は,翻訳リンク予測手法の性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-06-27T13:32:39Z)
• Knowledge Graph Completion with Text-aided Regularization [2.8361571014635407]
  知識グラフ補完は、可能なエンティティを推定することによって知識グラフ/ベースを拡張するタスクである。 従来のアプローチは主に、グラフ固有の既存のグラフィカル情報の使用に重点を置いている。 我々は、既存のkg埋め込みフレームワークがより良い予測結果に達するのを助けるために、抽出または生のテキスト情報を使用する多くの方法を試みる。
  論文  参考訳（メタデータ） (2021-01-22T06:10:09Z)
• Neural graph embeddings as explicit low-rank matrix factorization for link prediction [0.0]
  そこで本研究では,予測できないノードのペアからの情報を含む低ランク因数分解埋め込みを学習するための改良手法を提案する。 結果と観測結果に基づいて、次のグラフ埋め込みアルゴリズムの設計を改善するためのさらなるステップを概説する。
  論文  参考訳（メタデータ） (2020-11-16T14:23:12Z)
• 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)
• A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts [81.4757750425247]
  動的テキスト環境における質問応答について検討する。 構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2020-04-25T04:53:54Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。