論文の概要: Convolutional Complex Knowledge Graph Embeddings

• arxiv url: http://arxiv.org/abs/2008.03130v3
• Date: Wed, 9 Jun 2021 12:25:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 00:27:48.419625
• Title: Convolutional Complex Knowledge Graph Embeddings
• Title（参考訳）: 畳み込み複雑な知識グラフの埋め込み
• Authors: Caglar Demir and Axel-Cyrille Ngonga Ngomo
• Abstract要約: 複素数値埋め込みベクトルのエルミート内積との2次元畳み込みを利用して、欠落リンクを推論するConExと呼ばれる新しい手法を提案する。 We evaluate ConEx against state-of-the-art approach on the WN18RR, FB15K-237, KINSHIP and UMLS benchmark datasets。
• 参考スコア（独自算出の注目度）: 1.1650381752104297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we study the problem of learning continuous vector representations of knowledge graphs for predicting missing links. We present a new approach called ConEx, which infers missing links by leveraging the composition of a 2D convolution with a Hermitian inner product of complex-valued embedding vectors. We evaluate ConEx against state-of-the-art approaches on the WN18RR, FB15K-237, KINSHIP and UMLS benchmark datasets. Our experimental results show that ConEx achieves a performance superior to that of state-of-the-art approaches such as RotatE, QuatE and TuckER on the link prediction task on all datasets while requiring at least 8 times fewer parameters. We ensure the reproducibility of our results by providing an open-source implementation which includes the training, evaluation scripts along with pre-trained models at https://github.com/conex-kge/ConEx.
• Abstract（参考訳）: 本稿では,リンク不足を予測するための知識グラフの連続ベクトル表現学習の問題について検討する。 複素値埋め込みベクトルのエルミート内積との2次元畳み込みの合成を利用して、欠落リンクを推定するconexと呼ばれる新しいアプローチを提案する。 我々は、wn18rr、fb15k-237、kinship、umlsベンチマークデータセットにおける最先端のアプローチに対するconexを評価する。 実験の結果,ConEx は全データセットのリンク予測タスクにおいて,RotatE,QuatE,TuckER といった最先端の手法よりも,少なくとも 8 倍のパラメータを必要とする性能を実現していることがわかった。 我々は、トレーニング、評価スクリプト、トレーニング済みモデルを含むオープンソース実装をhttps://github.com/conex-kge/ConExで提供することで、結果の再現性を確保する。

関連論文リスト

• Boot and Switch: Alternating Distillation for Zero-Shot Dense Retrieval [50.47192086219752]
  $texttABEL$は、ゼロショット設定でのパス検索を強化するための、シンプルだが効果的な教師なしのメソッドである。 ラベル付きデータに対して$texttABEL$を微調整するか、既存の教師付き高密度検索と統合することにより、最先端の結果が得られる。
  論文  参考訳（メタデータ） (2023-11-27T06:22:57Z)
• Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
  遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。 NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。 我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり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） (2022-06-23T09:35:03Z)
• ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
  ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。 我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
  論文  参考訳（メタデータ） (2022-06-08T23:34:39Z)
• Kronecker Decomposition for Knowledge Graph Embeddings [5.49810117202384]
  知識グラフ埋め込みモデルにおけるパラメータ数を削減するために,Kronecker分解に基づく手法を提案する。 この分解により、3つの埋め込みベクトル間の要素的相互作用が各埋め込みベクトル内の相互作用によって拡張されることが保証される。 実験により,Kronecker分解を埋め込み行列に適用すると,全てのベンチマークデータセットのパラメータ効率が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-05-13T11:11:03Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
  実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。 本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
  論文  参考訳（メタデータ） (2021-08-16T04:20:09Z)
• Convolutional Hypercomplex Embeddings for Link Prediction [2.6209112069534046]
  本稿では,リンク予測問題に対処するため,QMult,OMult,ConvQ,ConvOを提案する。 QMult、OMult、ConvQ、ConvOは、残留学習フレームワークにインスパイアされた方法で畳み込み操作を含めることで、QMultとOMultの上に構築する。 我々は,WN18RR,FB15K-237,YAGO3-10を含む7つのリンク予測データセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-06-29T10:26:51Z)
• Two Training Strategies for Improving Relation Extraction over Universal Graph [36.06238013119114]
  本論文では,Universal Graph (UG) と Knowledge Graph (KG) を用いて,Distantly Supervised Relation Extraction (DS-RE) のメリットについて考察する。 まず,この劣化がUG学習の難しさと関連していることを報告し,その上で2つのトレーニング戦略を提案する。 バイオメディカルおよびNYT10データセットの実験結果は、我々の手法の堅牢性を証明し、NYT10データセットの新たな最先端結果を達成する。
  論文  参考訳（メタデータ） (2021-02-12T14:09:35Z)
• Bootstrapping Relation Extractors using Syntactic Search by Examples [47.11932446745022]
  非NLP専門家によって迅速に実行できるトレーニングデータセットのブートストラッププロセスを提案する。 フレンドリーなバイサンプル構文を公開する構文グラフよりも検索エンジンを利用する。 得られたモデルは,手作業による注釈付きデータや遠隔監視から得られたデータに基づいて訓練されたモデルと競合することを示す。
  論文  参考訳（メタデータ） (2021-02-09T18:17:59Z)
• Bringing Light Into the Dark: A Large-scale Evaluation of Knowledge Graph Embedding Models Under a Unified Framework [31.35912529064612]
  我々はPyKEENソフトウェアパッケージで21のインタラクションモデルを再実装し評価した。 4つのデータセットに対して、数千の実験と24,804のGPU時間で大規模なベンチマークを行いました。
  論文  参考訳（メタデータ） (2020-06-23T22:30:52Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)

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。