Fugu-MT 論文翻訳(概要): A Survey on Graph Neural Networks for Knowledge Graph Completion

論文の概要: A Survey on Graph Neural Networks for Knowledge Graph Completion

arxiv url: http://arxiv.org/abs/2007.12374v1
Date: Fri, 24 Jul 2020 06:46:46 GMT
ステータス: 処理完了
システム内更新日: 2022-11-07 05:46:21.668588
Title: A Survey on Graph Neural Networks for Knowledge Graph Completion
Title（参考訳）: ナレッジグラフ補完のためのグラフニューラルネットワークに関する調査
Authors: Siddhant Arora
Abstract要約: 知識グラフは、質問回答や情報検索など、さまざまなダウンストリームタスクで人気が高まっている。知識グラフはしばしば不完全であり、パフォーマンスが低下する。最近では、これらの知識グラフに固有の構造情報をキャプチャするために、グラフニューラルネットワークが使用されている。
参考スコア（独自算出の注目度）: 3.6695257806192187
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Knowledge Graphs are increasingly becoming popular for a variety of downstream tasks like Question Answering and Information Retrieval. However, the Knowledge Graphs are often incomplete, thus leading to poor performance. As a result, there has been a lot of interest in the task of Knowledge Base Completion. More recently, Graph Neural Networks have been used to capture structural information inherently stored in these Knowledge Graphs and have been shown to achieve SOTA performance across a variety of datasets. In this survey, we understand the various strengths and weaknesses of the proposed methodology and try to find new exciting research problems in this area that require further investigation.
Abstract（参考訳）: 知識グラフは、質問回答や情報検索など、さまざまな下流タスクで人気が高まっている。しかし、知識グラフはしばしば不完全であり、結果として性能が低下する。結果として、知識ベースコンプリートというタスクに多くの関心が寄せられている。最近では、グラフニューラルネットワークを使用して、これらの知識グラフに固有の構造情報をキャプチャし、さまざまなデータセット間でSOTAパフォーマンスを達成することが示されている。本研究は,提案手法の諸強みと弱みを理解し,さらなる調査を必要とするこの分野における新たなエキサイティングな研究課題を見出そうとするものである。

関連論文リスト

Over-Squashing in Graph Neural Networks: A Comprehensive survey [0.0]
この調査は、グラフニューラルネットワーク(GNN)におけるオーバースカッシングの課題を掘り下げるものだ。オーバースカッシングの原因、結果、緩和戦略を包括的に探求する。グラフの書き換え、新しい正規化、スペクトル分析、曲率に基づく戦略など、様々な手法がレビューされている。また、オーバー・スムーシングなど、オーバー・スカッシングと他のGNN制限との相互作用についても論じている。
論文参考訳（メタデータ） (2023-08-29T18:46:15Z)
Counterfactual Learning on Graphs: A Survey [34.47646823407408]
グラフニューラルネットワーク(GNN)は,グラフ上での表現学習において大きな成功を収めている。グラフ上のカウンターファクトラーニングは、これらの欠点を緩和する有望な結果を示している。グラフ上の反ファクトフェアネス、説明可能性、リンク予測など、様々な手法が提案されている。
論文参考訳（メタデータ） (2023-04-03T21:42:42Z)
A Comprehensive Survey on Graph Summarization with Graph Neural Networks [21.337505372979066]
過去には、グラフの最も重要な部分を統計的に捉えるために、ほとんどのグラフ要約技術が試みられていた。今日では、現代のグラフデータの高次元性と複雑さにより、ディープラーニング技術がより普及している。我々の調査は、GNN、畳み込みGNN、グラフオートエンコーダ、グラフアテンションネットワークなど、現在の最先端アプローチのレビューを含む。
論文参考訳（メタデータ） (2023-02-13T05:43:24Z)
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)
Semantic Enhanced Knowledge Graph for Large-Scale Zero-Shot Learning [74.6485604326913]
我々は、専門知識とカテゴリ意味相関の両方を含む新しい意味強化知識グラフを提供する。知識グラフの情報伝達のために,Residual Graph Convolutional Network (ResGCN)を提案する。大規模画像Net-21KデータセットとAWA2データセットを用いた実験により,本手法の有効性が示された。
論文参考訳（メタデータ） (2022-12-26T13:18:36Z)
An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
論文参考訳（メタデータ） (2022-06-01T09:59:09Z)
Graph-level Neural Networks: Current Progress and Future Directions [61.08696673768116]
グラフレベルのニューラルネットワーク(GLNN、ディープラーニングベースのグラフレベルの学習法)は、高次元データのモデリングにおいて優れているため、魅力的である。本稿では,深層ニューラルネットワーク,グラフニューラルネットワーク,グラフプール上でのGLNNを網羅する系統分類法を提案する。
論文参考訳（メタデータ） (2022-05-31T06:16:55Z)
Graph Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
論文参考訳（メタデータ） (2022-04-15T04:02:06Z)
A Survey of Knowledge Graph Embedding and Their Applications [0.17205106391379024]
知識グラフの埋め込みにより、現実世界のアプリケーションが情報を消費してパフォーマンスを向上させることができる。本稿では、単純な翻訳モデルからリッチメントモデルへのKG埋め込みの分野の成長について紹介する。
論文参考訳（メタデータ） (2021-07-16T12:07:53Z)
A Survey on Knowledge Graphs: Representation, Acquisition and Applications [89.78089494738002]
我々は,1)知識グラフ表現学習,2)知識獲得と完成,3)時間的知識グラフ,および4)知識認識アプリケーションに関する研究トピックをレビューする。知識獲得、特に知識グラフの完成、埋め込み方法、経路推論、論理ルール推論について概観する。メタラーニング、コモンセンス推論、時間的知識グラフなど、いくつかの新しいトピックを探求する。
論文参考訳（メタデータ） (2020-02-02T13:17:31Z)

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。