論文の概要: More is not Always Better: The Negative Impact of A-box Materialization
on RDF2vec Knowledge Graph Embeddings
- arxiv url: http://arxiv.org/abs/2009.00318v1
- Date: Tue, 1 Sep 2020 09:52:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 01:11:16.414524
- Title: More is not Always Better: The Negative Impact of A-box Materialization
on RDF2vec Knowledge Graph Embeddings
- Title（参考訳）: それ以上は必ずしも良いとは限らない: rdf2vec知識グラフ埋め込みに対するa-boxの実体化の負の影響
- Authors: Andreea Iana and Heiko Paulheim
- Abstract要約: RDF2vecは、連続ベクトル空間における知識グラフの実体を表現するための埋め込み技術である。
サブプロパタイトにより誘導される暗黙のAボックス公理を物質化する効果について検討した。
物質化がRDF2vecの性能に悪影響を及ぼすことを示す。
- 参考スコア（独自算出の注目度）: 3.2742902963430387
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: RDF2vec is an embedding technique for representing knowledge graph entities
in a continuous vector space. In this paper, we investigate the effect of
materializing implicit A-box axioms induced by subproperties, as well as
symmetric and transitive properties. While it might be a reasonable assumption
that such a materialization before computing embeddings might lead to better
embeddings, we conduct a set of experiments on DBpedia which demonstrate that
the materialization actually has a negative effect on the performance of
RDF2vec. In our analysis, we argue that despite the huge body of work devoted
on completing missing information in knowledge graphs, such missing implicit
information is actually a signal, not a defect, and we show examples
illustrating that assumption.
- Abstract（参考訳）: rdf2vecは、連続ベクトル空間における知識グラフエンティティを表現する埋め込み技術である。
本稿では,サブプロペラティによって引き起こされる暗黙の a-box 公理と対称的および推移的性質を具現化する効果について検討する。
埋め込みの計算に先立ってそのような物質化がより良い埋め込みにつながるという合理的な仮定であるが、我々はDBpediaで一連の実験を行い、物質化がRDF2vecの性能に悪影響を及ぼすことを示した。
我々の分析では、知識グラフに欠落した情報を完成させることに専心する膨大な努力にもかかわらず、そのような暗黙的な情報は実際には欠陥ではなく信号であり、その仮定を説明する例を示す。
関連論文リスト
- Adversarial Vulnerability as a Consequence of On-Manifold Inseparibility [16.998477658358773]
分類タスクを考慮し,データ分布を低次元多様体として特徴付ける。
クリーントレーニングは、悪条件によるオフマニフォールド方向の収束不良を経験していると論じる。
我々は,長期トレーニングと2次手法の活用によるクリーントレーニングにおいて,実験を行い,大幅な堅牢性向上を示す。
論文 参考訳（メタデータ） (2024-10-09T14:18:52Z) - Towards Bounding Causal Effects under Markov Equivalence [13.050023008348388]
観測データのみを用いた因果関係の導出について考察する。
等価クラスの不変性を利用する因果効果のバウンダリを導出する体系的アルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-11-13T11:49:55Z) - Disentangled Representation Learning with Transmitted Information Bottleneck [57.22757813140418]
textbfDisTIB (textbfTransmitted textbfInformation textbfBottleneck for textbfDisd representation learning) は情報圧縮と保存のバランスを保った新しい目的である。
論文 参考訳（メタデータ） (2023-11-03T03:18:40Z) - Gradient-Based Spectral Embeddings of Random Dot Product Graphs [7.612218105739107]
本稿では,RDPG (Random Dot Product Graph) の組込み問題の解法について述べる。
そこで我々は, 結果の多様体に対して, 実現可能な新しい最適化手法を開発した。
当社のオープンソースアルゴリズムの実装はスケーラブルで、エッジデータに欠ける堅牢さと異なり、ストリーミンググラフからゆっくりと、潜伏した位置を追跡することができます。
論文 参考訳（メタデータ） (2023-07-25T21:09:55Z) - The Manifold Hypothesis for Gradient-Based Explanations [55.01671263121624]
勾配に基づく説明アルゴリズムは知覚的に整合した説明を提供する。
特徴属性がデータの接する空間と一致しているほど、知覚的に一致している傾向にあることを示す。
説明アルゴリズムは、その説明をデータ多様体と整合させるよう積極的に努力すべきである。
論文 参考訳（メタデータ） (2022-06-15T08:49:24Z) - 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) - Beyond Separability: Analyzing the Linear Transferability of Contrastive
Representations to Related Subpopulations [50.33975968859988]
コントラスト学習(Contrastive Learning)は、ラベルのないデータを用いて、下流の分類タスクに線形に分離可能な表現を生成する、非常に効果的な手法である。
最近の研究では、対照的表現はデータが単一のドメインから来るときに有用であるだけでなく、ドメイン間での転送にも有効であることが示されている。
論文 参考訳（メタデータ） (2022-04-06T09:10:23Z) - On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。
分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
論文 参考訳（メタデータ） (2022-02-28T13:01:04Z) - Hard-label Manifolds: Unexpected Advantages of Query Efficiency for
Finding On-manifold Adversarial Examples [67.23103682776049]
画像分類モデルに対する最近のゼロオーダーのハードラベル攻撃は、ファーストオーダーのグラデーションレベルの代替品に匹敵する性能を示している。
最近、グラデーションレベルの設定では、通常の敵対的な例がデータ多様体から離れ、オンマニホールドの例が実際には一般化エラーであることが示されている。
雑音の多い多様体距離オラクルに基づく情報理論論的議論を提案し、敵の勾配推定を通じて多様体情報を漏洩させる。
論文 参考訳（メタデータ） (2021-03-04T20:53:06Z) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳（メタデータ） (2020-09-01T15:08:23Z) - Training Two-Layer ReLU Networks with Gradient Descent is Inconsistent [2.7793394375935088]
We proof that two-layer (Leaky)ReLU network by e., from the widely use method proposed by He et al. is not consistent。
論文 参考訳（メタデータ） (2020-02-12T09:22:45Z)
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。