論文の概要: Commonsense Knowledge Graph Reasoning by Selection or Generation? Why?

• arxiv url: http://arxiv.org/abs/2008.05925v1
• Date: Thu, 13 Aug 2020 14:13:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 22:29:43.806275
• Title: Commonsense Knowledge Graph Reasoning by Selection or Generation? Why?
• Title（参考訳）: 選択または生成による常識知識グラフ推論? なぜだ?
• Authors: Cunxiang Wang, Jinhang Wu, Luxin Liu and Yue Zhang
• Abstract要約: コモンセンス知識グラフ推論(英: Commonsense knowledge graph reasoning, CKGR)とは、既存の知識グラフ(英: Commonsense Knowledge graph, CKG)において、その存在と関係が与えられたときの行方不明な実体を予測するタスクである。 提案手法を理論的,実証的に比較し,CKGRにおける生成法よりも選択法の方が適していることを示す。 さらに、ニューラルネットワークと知識グラフ埋め込みモデルの構造を組み合わせることで、選択法の2つの問題を解決し、競争的な結果を得る。
• 参考スコア（独自算出の注目度）: 11.471906844588272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Commonsense knowledge graph reasoning(CKGR) is the task of predicting a missing entity given one existing and the relation in a commonsense knowledge graph (CKG). Existing methods can be classified into two categories generation method and selection method. Each method has its own advantage. We theoretically and empirically compare the two methods, finding the selection method is more suitable than the generation method in CKGR. Given the observation, we further combine the structure of neural Text Encoder and Knowledge Graph Embedding models to solve the selection method's two problems, achieving competitive results. We provide a basic framework and baseline model for subsequent CKGR tasks by selection methods.
• Abstract（参考訳）: commonsense knowledge graph reasoning (ckgr) は、commonsense knowledge graph (ckg) で与えられた1つのエンティティとその関係を予測するためのタスクである。 既存の方法は2つのカテゴリ生成方法と選択方法に分けられる。 それぞれの方法には独自の利点がある。 提案手法を理論的,実証的に比較し,CKGRにおける生成法よりも選択法の方が適していることを示す。 この結果から, ニューラルネットワークエンコーダと知識グラフ埋め込みモデルの構造を組み合わせることで, 選択手法の2つの課題を解決し, 競争結果を得る。 選択法により,CKGRタスクの基本的なフレームワークとベースラインモデルを提供する。

関連論文リスト

• BANGS: Game-Theoretic Node Selection for Graph Self-Training [39.70859692050266]
  グラフ自己学習は、基礎となるグラフニューラルネットワーク(GNN)モデルをトレーニングするために、ラベルなしデータのセットを反復的に選択する半教師付き学習手法である。 本稿では,ノード選択の目的として,条件付き相互情報とラベル戦略を統一する新しいフレームワークであるBANGSを提案する。 我々のアプローチは、ゲーム理論に基づくもので、ある方法でノードを選択し、ノイズのある目的の下でロバスト性に関する理論的保証を提供する。
  論文  参考訳（メタデータ） (2024-10-12T03:31:28Z)
• G-PCGRL: Procedural Graph Data Generation via Reinforcement Learning [0.28273304533873334]
  ゲームでは、グラフベースのデータ構造は全表現であり、ゲーム経済、スキルツリー、複雑な分岐クエストラインを表す。 本稿では,強化学習を用いたグラフデータの手続き生成のための新規かつ制御可能な手法を提案する。 本手法は,ゲーム作成プロセスにおいて,デザイナの支援とインスピレーションを行うために,グラフベースのコンテンツを迅速かつ確実に生成することができる。
  論文  参考訳（メタデータ） (2024-07-15T07:11:00Z)
• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。 グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
  論文  参考訳（メタデータ） (2023-09-24T10:10:21Z)
• DORE: Document Ordered Relation Extraction based on Generative Framework [56.537386636819626]
  本稿では,既存のDocREモデルの根本原因について検討する。 本稿では,モデルが学習しやすく,決定論的な関係行列から記号列と順序列を生成することを提案する。 4つのデータセットに対する実験結果から,提案手法は生成型DocREモデルの性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2022-10-28T11:18:10Z)
• Improving Heuristic-based Process Discovery Methods by Detecting Optimal Dependency Graphs [0.0]
  本稿では,依存度に関するグラフ弧の最適セットを決定する新しい整数線形プログラミングモデルを提案する。 提案手法の出力は, 適合性, 精度, 特に簡易性の観点から最も顕著な依存性グラフ探索手法の出力よりも優れている。
  論文  参考訳（メタデータ） (2022-03-18T20:00:23Z)
• ECKPN: Explicit Class Knowledge Propagation Network for Transductive Few-shot Learning [53.09923823663554]
  クラスレベルの知識は、ほんの一握りのサンプルから人間が容易に学習することができる。 本稿では,この問題に対処する明示的クラス知識伝達ネットワーク(ECKPN)を提案する。 筆者らは,4つの数ショット分類ベンチマークについて広範な実験を行い,提案したECKPNが最先端の手法よりも優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2021-06-16T02:29:43Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端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） (2021-04-11T03:25:25Z)
• Graph embedding using multi-layer adjacent point merging model [23.706877029336415]
  本稿では, 隣接した多層マージ点モデルを用いたグラフ埋め込み手法を提案する。 この埋め込み手法により、列車データから異なるサブグラフパターンを抽出できる。 数値解析により,提案手法が多くの最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T05:35:04Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Fast Template Matching and Update for Video Object Tracking and Segmentation [56.465510428878]
  私たちが取り組もうとしている主な課題は、フレームの列にまたがるマルチインスタンスの半教師付きビデオオブジェクトセグメンテーションである。 課題は、結果を予測するためのマッチングメソッドの選択と、ターゲットテンプレートを更新するかどうかを決定することである。 本稿では,これら2つの決定を同時に行うために,強化学習を利用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-04-16T08:58:45Z)

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。