論文の概要: Generalizing Tensor Decomposition for N-ary Relational Knowledge Bases

• arxiv url: http://arxiv.org/abs/2007.03988v1
• Date: Wed, 8 Jul 2020 09:49:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 13:05:52.673328
• Title: Generalizing Tensor Decomposition for N-ary Relational Knowledge Bases
• Title（参考訳）: n-項関係知識ベースに対するテンソル分解の一般化
• Authors: Yu Liu and Quanming Yao and Yong Li
• Abstract要約: n-aryリレーショナルKBに対する Tucker と Ring の分解に基づくモデル GETD を提案する。 GETDは最先端のメソッドを15%以上改善します。 さらに, GETD が KB を完全表現可能であることを理論的に証明する。
• 参考スコア（独自算出の注目度）: 38.65275699668267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid development of knowledge bases (KBs), link prediction task, which completes KBs with missing facts, has been broadly studied in especially binary relational KBs (a.k.a knowledge graph) with powerful tensor decomposition related methods. However, the ubiquitous n-ary relational KBs with higher-arity relational facts are paid less attention, in which existing translation based and neural network based approaches have weak expressiveness and high complexity in modeling various relations. Tensor decomposition has not been considered for n-ary relational KBs, while directly extending tensor decomposition related methods of binary relational KBs to the n-ary case does not yield satisfactory results due to exponential model complexity and their strong assumptions on binary relations. To generalize tensor decomposition for n-ary relational KBs, in this work, we propose GETD, a generalized model based on Tucker decomposition and Tensor Ring decomposition. The existing negative sampling technique is also generalized to the n-ary case for GETD. In addition, we theoretically prove that GETD is fully expressive to completely represent any KBs. Extensive evaluations on two representative n-ary relational KB datasets demonstrate the superior performance of GETD, significantly improving the state-of-the-art methods by over 15\%. Moreover, GETD further obtains the state-of-the-art results on the benchmark binary relational KB datasets.
• Abstract（参考訳）: 知識ベース(kbs)の急速な発展に伴い、リンク予測タスク(リンク予測タスク)は、特に、強力なテンソル分解関連手法を持つバイナリリレーショナルkbs(つまり知識グラフ)において広く研究されてきた。 しかし、高次関係事実を持つユビキタスなn-aryリレーショナルkbは、既存の翻訳ベースおよびニューラルネットワークベースのアプローチが様々な関係のモデリングにおいて弱い表現力と高い複雑さを持つため、あまり注目されていない。 テンソル分解は n-項リレーショナルKB に対しては考慮されていないが、双対リレーショナルKB のテンソル分解関連法を直接 n-項ケースに拡張しても指数モデル複雑性と二項リレーショナルKBの強い仮定により満足な結果が得られない。 本研究では,n-aryリレーショナルKBのテンソル分解を一般化するために,タッカー分解とテンソルリング分解に基づく一般化モデルであるGETDを提案する。 既存の負サンプリング手法は、GETDのn-aryケースにも一般化される。 さらに, GETD が KB を完全表現可能であることを理論的に証明する。 2つの代表的なn-aryリレーショナルkbデータセットの広範な評価は、getdの優れたパフォーマンスを示し、最先端のメソッドを15-%以上改善した。 さらにGETDは、ベンチマークバイナリリレーショナルKBデータセットの最先端結果も取得する。

関連論文リスト

• Text2NKG: Fine-Grained N-ary Relation Extraction for N-ary relational Knowledge Graph Construction [20.281505340983035]
  Text2NKGは,n-aryリレーショナル知識グラフ構築のための,新しいn-aryリレーショナル抽出フレームワークである。 ヘテロオーダーのマージと出力マージを併用したスパンタプル分類手法を導入し,異なるアリティにおけるn-項関係抽出を実現する。
  論文  参考訳（メタデータ） (2023-10-08T14:47:13Z)
• 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)
• Efficient Relation-aware Neighborhood Aggregation in Graph Neural Networks via Tensor Decomposition [4.041834517339835]
  グラフ畳み込みネットワーク(R-GCN)の集約関数にテンソル分解を組み込んだ新しい知識グラフを提案する。 我々のモデルは、関係型によって定義される低ランクテンソルの射影行列を用いて、隣り合う実体の表現を強化する。 我々は,グラフ処理に固有の1-k-kエンコーダ法のトレーニング制限を緩和するために,コントラスト学習にインスパイアされたトレーニング戦略を採用する。
  論文  参考訳（メタデータ） (2022-12-11T19:07:34Z)
• 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)
• Combining Rules and Embeddings via Neuro-Symbolic AI for Knowledge Base Completion [59.093293389123424]
  すべてのルールベースの知識ベースコンプリートモデルが同じではないことを示す。 1)関係の混合と,2)経路の混合の2つの異なるアプローチを提案する。 ブール論理を実数値論理に拡張することでルールを学習するニューロシンボリックAI上に実装すると、後者のモデルは、平均相互ランクにおいて、最先端のKBC精度を2-10%向上させる。
  論文  参考訳（メタデータ） (2021-09-16T17:54:56Z)
• RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
  本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。 二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。 理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
  論文  参考訳（メタデータ） (2021-01-25T13:31:29Z)
• Belief Propagation Neural Networks [103.97004780313105]
  信念伝播ニューラルネットワーク(BPNN)を紹介する。 BPNNは因子グラフ上で動作し、信念伝播(BP)を一般化する BPNNはIsingモデル上で1.7倍高速に収束し、より厳密な境界を提供することを示す。 挑戦的なモデルカウント問題に関して、BPNNは最先端の手作り手法の100倍の速さを推定する。
  論文  参考訳（メタデータ） (2020-07-01T07:39:51Z)
• Bayesian network structure learning with causal effects in the presence of latent variables [6.85316573653194]
  本稿では,cFCIの制約に基づく部分とスコアに基づく学習を組み合わせた,CCHMと呼ばれるハイブリッド構造学習アルゴリズムについて述べる。 ランダム化されたネットワークとよく知られたネットワークの両方に基づく実験により、CCHMは真の祖先グラフの再構築の観点から最先端の改善を図っている。
  論文  参考訳（メタデータ） (2020-05-29T04:42:28Z)
• Distantly-Supervised Neural Relation Extraction with Side Information using BERT [2.0946724304757955]
  関係抽出(Relation extract、RE)は、文内のエンティティ間の関係を分類する。 この戦略を採用する方法の1つはRESIDEモデルであり、知識ベースからの側情報を用いた遠方の教師付きニューラルネットワーク抽出を提案する。 本稿では,この手法が最先端のベースラインより優れていることを考慮し,追加の側情報を用いたRESIDE関連手法を提案するが,BERT埋め込みによる文エンコーディングを簡略化する。
  論文  参考訳（メタデータ） (2020-04-29T19:29:10Z)
• A Unified Framework for Coupled Tensor Completion [42.19293115131073]
  結合テンソル分解は、潜在結合因子に由来する事前知識を組み込むことで、結合データ構造を明らかにする。 TRは強力な表現能力を持ち、いくつかの多次元データ処理アプリケーションで成功している。 提案手法は, 合成データに関する数値実験で検証され, 実世界のデータに対する実験結果は, 回収精度の観点から, 最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-09T02:15:46Z)

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。