論文の概要: MultiImport: Inferring Node Importance in a Knowledge Graph from Multiple Input Signals

• arxiv url: http://arxiv.org/abs/2006.12001v1
• Date: Mon, 22 Jun 2020 04:17:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 04:45:14.919679
• Title: MultiImport: Inferring Node Importance in a Knowledge Graph from Multiple Input Signals
• Title（参考訳）: MultiImport: 複数の入力信号から知識グラフにおけるノードの重要性を推論する
• Authors: Namyong Park, Andrey Kan, Xin Luna Dong, Tong Zhao, Christos Faloutsos
• Abstract要約: 複数の入力信号が与えられた場合、知識グラフ(KG)においてノードの重要性を推測するにはどうすればよいか? 本稿では,複数重なりうる入力信号から遅延ノードの重要性を推定する,エンドツーエンドモデルであるMultiImportを開発する。
• 参考スコア（独自算出の注目度）: 44.5401005991862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given multiple input signals, how can we infer node importance in a knowledge graph (KG)? Node importance estimation is a crucial and challenging task that can benefit a lot of applications including recommendation, search, and query disambiguation. A key challenge towards this goal is how to effectively use input from different sources. On the one hand, a KG is a rich source of information, with multiple types of nodes and edges. On the other hand, there are external input signals, such as the number of votes or pageviews, which can directly tell us about the importance of entities in a KG. While several methods have been developed to tackle this problem, their use of these external signals has been limited as they are not designed to consider multiple signals simultaneously. In this paper, we develop an end-to-end model MultiImport, which infers latent node importance from multiple, potentially overlapping, input signals. MultiImport is a latent variable model that captures the relation between node importance and input signals, and effectively learns from multiple signals with potential conflicts. Also, MultiImport provides an effective estimator based on attentive graph neural networks. We ran experiments on real-world KGs to show that MultiImport handles several challenges involved with inferring node importance from multiple input signals, and consistently outperforms existing methods, achieving up to 23.7% higher NDCG@100 than the state-of-the-art method.
• Abstract（参考訳）: 複数の入力信号が与えられた場合、知識グラフ(KG)においてノードの重要性をどうやって推測するか? ノードの重要性の見積もりは、レコメンデーション、検索、クエリの曖昧さなど、多くのアプリケーションに役立つ重要かつ困難なタスクです。 この目標に対する重要な課題は、異なるソースからのインプットを効果的に利用する方法です。 一方、KGは豊富な情報ソースであり、複数のタイプのノードとエッジを持つ。 一方、投票数やページビューなど外部からの入力信号があり、kgにおけるエンティティの重要性を直接知ることができる。 この問題に対処するためにいくつかの手法が開発されているが、これらの外部信号の使用は同時に複数の信号を検討するように設計されていないため制限されている。 本稿では,複数重なりうる入力信号から遅延ノードの重要性を推定する,エンドツーエンドモデルであるMultiImportを開発する。 multiimportはノードの重要性と入力信号の関係を捉え、潜在的な競合を持つ複数の信号から効果的に学習する潜在変数モデルである。 また、multiimportは注意グラフニューラルネットワークに基づく効果的な推定器を提供する。 我々は実世界のKGで実験を行い、MultiImportが複数の入力信号からノードの重要度を推定する際のいくつかの課題に対処し、既存の手法を一貫して上回り、最先端の手法よりも最大23.7%高いNDCG@100を達成することを示した。

関連論文リスト

• Leveraging Multi-Temporal Sentinel 1 and 2 Satellite Data for Leaf Area Index Estimation With Deep Learning [0.0]
  葉面積指数(LAI)は生態系の健康と植生の動態を理解するための重要な指標である。 本稿では,複数のタイムスタンプにおけるSentinel 1レーダデータとSentinel 2マルチスペクトルデータからの補完情報を活用することにより,画素単位のLAI予測手法を提案する。 このアプローチでは、このタスクに特化された複数のU-netをベースとしたディープニューラルネットワークを使用する。
  論文  参考訳（メタデータ） (2024-10-15T13:22:13Z)
• MU-MAE: Multimodal Masked Autoencoders-Based One-Shot Learning [3.520960737058199]
  マルチモーダルマスクオートエンコに基づくワンショット学習(Mu-MAE)を紹介する。 Mu-MAEは、マルチモーダルマスク付きオートエンコーダと、ウェアラブルセンサー用に調整された同期マスク戦略を統合している。 追加データを用いることなく、最大80.17%の精度で5方向のワンショット・マルチモーダル分類を実現している。
  論文  参考訳（メタデータ） (2024-08-08T06:16:00Z)
• Noise-Resilient Unsupervised Graph Representation Learning via Multi-Hop Feature Quality Estimation [53.91958614666386]
  グラフニューラルネットワーク(GNN)に基づく教師なしグラフ表現学習(UGRL) マルチホップ特徴量推定(MQE)に基づく新しいUGRL法を提案する。
  論文  参考訳（メタデータ） (2024-07-29T12:24:28Z)
• OmniBind: Large-scale Omni Multimodal Representation via Binding Spaces [67.07083389543799]
  我々は,70億から300億のパラメータからなる大規模マルチモーダル関節表現モデルOmniBindを提案する。 全てのモダリティにまたがるデータペアが不足しているため、スクラッチから大規模モデルをトレーニングする代わりに、様々な事前訓練された専門家モデルの空間を再マッピングし結合することを提案する。 実験では、OmniBindのオムニ表現モデルとしての汎用性と優位性を示し、多様なアプリケーションに対するその大きな可能性を強調している。
  論文  参考訳（メタデータ） (2024-07-16T16:24:31Z)
• Disentangling Imperfect: A Wavelet-Infused Multilevel Heterogeneous Network for Human Activity Recognition in Flawed Wearable Sensor Data [30.213716132980874]
  センサデータ解析のためのマルチレベルヘテロジニアスニューラルネットワーク MHNN を提案する。 センサデータからマルチレベル離散ウェーブレット分解法を用いてマルチレゾリューション特徴を抽出する。 提案したモデルに,マルチスケール特徴の学習を可能にする異種特徴抽出器を装備する。
  論文  参考訳（メタデータ） (2024-01-26T06:08:49Z)
• Deep Internal Learning: Deep Learning from a Single Input [88.59966585422914]
  多くの場合、手元にある入力からネットワークをトレーニングする価値がある。 これは、トレーニングデータが少なく、多様性が大きい多くの信号および画像処理問題に特に関係している。 本研究の目的は,この2つの重要な方向に向けて,過去数年間に提案されてきた深層学習技術について報告することである。
  論文  参考訳（メタデータ） (2023-12-12T16:48:53Z)
• KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot Node Classification [75.95647590619929]
  Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。 ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。 ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
  論文  参考訳（メタデータ） (2023-08-15T02:38:08Z)
• Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
  マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。 具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
  論文  参考訳（メタデータ） (2023-05-17T14:30:11Z)
• Semi-Supervised Multi-Modal Multi-Instance Multi-Label Deep Network with Optimal Transport [24.930976128926314]
  M3DN (Multi-modal Multi-instance Multi-label Deep Network) を提案する。 M3DNは、M3学習をエンドツーエンドのマルチモーダルディープネットワークで考慮し、異なるモーダルバッグレベルの予測間で一貫性の原則を利用します。 これにより、M3DNSはラベルを予測し、ラベル相関を同時に活用できる。
  論文  参考訳（メタデータ） (2021-04-17T09:18:28Z)

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。