論文の概要: Inductively Representing Out-of-Knowledge-Graph Entities by Optimal Estimation Under Translational Assumptions

• arxiv url: http://arxiv.org/abs/2009.12765v1
• Date: Sun, 27 Sep 2020 07:12:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 03:16:54.763014
• Title: Inductively Representing Out-of-Knowledge-Graph Entities by Optimal Estimation Under Translational Assumptions
• Title（参考訳）: 翻訳推定に基づく最適推定による知識外グラフの帰納的表現
• Authors: Damai Dai, Hua Zheng, Fuli Luo, Pengcheng Yang, Baobao Chang, Zhifang Sui
• Abstract要約: そこで本稿では,OOKGエンティティを翻訳的仮定の下で最適に推定することで,簡便かつ効果的に表現する手法を提案する。 実験結果から,OOKG を用いた2つの KGC タスクにおいて,本手法は高い効率で最先端の手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 42.626395991024545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional Knowledge Graph Completion (KGC) assumes that all test entities appear during training. However, in real-world scenarios, Knowledge Graphs (KG) evolve fast with out-of-knowledge-graph (OOKG) entities added frequently, and we need to represent these entities efficiently. Most existing Knowledge Graph Embedding (KGE) methods cannot represent OOKG entities without costly retraining on the whole KG. To enhance efficiency, we propose a simple and effective method that inductively represents OOKG entities by their optimal estimation under translational assumptions. Given pretrained embeddings of the in-knowledge-graph (IKG) entities, our method needs no additional learning. Experimental results show that our method outperforms the state-of-the-art methods with higher efficiency on two KGC tasks with OOKG entities.
• Abstract（参考訳）: 従来の知識グラフ補完(KGC)は、すべてのテストエンティティがトレーニング中に現れることを前提としている。 しかし,実世界のシナリオでは知識グラフ(KG)は知識外グラフ(OOKG)エンティティを頻繁に追加することで急速に進化し,これらのエンティティを効率的に表現する必要がある。 既存の知識グラフ埋め込み(KGE)メソッドは、KG全体においてコストがかかることなくOOKGエンティティを表現できない。 効率を高めるために, 翻訳仮定に基づく最適推定により, ookgエンティティを誘導的に表現する簡易かつ効果的な手法を提案する。 In-knowledge-graph (IKG) エンティティの事前の埋め込みを考えると,本手法は追加の学習を必要としない。 実験結果から,OOKG を用いた2つの KGC タスクにおいて,本手法は高い効率で最先端の手法よりも優れていることがわかった。

関連論文リスト

• One Subgraph for All: Efficient Reasoning on Opening Subgraphs for Inductive Knowledge Graph Completion [12.644979036930383]
  知識グラフ補完(KGC)は最近、膨大な研究の関心を集めている。 既存の手法のほとんどは、トレーニング中にすべてのエンティティが観察されるトランスダクティブな設定に従って設計されている。 未確認エンティティ間のリンクの欠落を推論するインダクティブKGCは,新たなトレンドとなっている。
  論文  参考訳（メタデータ） (2024-04-24T11:12:08Z)
• Contextualization Distillation from Large Language Model for Knowledge Graph Completion [51.126166442122546]
  我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。 提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。 多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
  論文  参考訳（メタデータ） (2024-01-28T08:56:49Z)
• Unifying Structure and Language Semantic for Efficient Contrastive Knowledge Graph Completion with Structured Entity Anchors [0.3913403111891026]
  知識グラフ補完(KGC)の目標は、すでに知られている訓練された事実を用いて、KGの欠落したリンクを予測することである。 本稿では,帰納的推論の力を失うことなく,構造情報と言語意味を効果的に統一する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-07T11:17:55Z)
• SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
  テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。 まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。 次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-08-03T07:00:04Z)
• Text-Augmented Open Knowledge Graph Completion via Pre-Trained Language Models [53.09723678623779]
  本稿では,高品質なクエリプロンプトを自動的に生成し,大規模テキストコーパスからサポート情報を取得するためのTAGREALを提案する。 その結果、TAGREALは2つのベンチマークデータセット上で最先端のパフォーマンスを達成することがわかった。 TAGREALは、限られたトレーニングデータであっても、既存の埋め込みベース、グラフベース、およびPLMベースの手法よりも優れた性能を有することが判明した。
  論文  参考訳（メタデータ） (2023-05-24T22:09:35Z)
• 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)
• Highly Efficient Knowledge Graph Embedding Learning with Orthogonal Procrustes Analysis [10.154836127889487]
  知識グラフ埋め込み(KGE)は、幅広いアプリケーションへの約束のために、近年集中的に研究されています。 本稿では, トレーニング時間と炭素フットプリントを桁違いに削減できる簡易かつ効果的なKGEフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-10T03:55:45Z)
• Inductive Learning on Commonsense Knowledge Graph Completion [89.72388313527296]
  コモンセンス知識グラフ(英: Commonsense Knowledge graph、CKG)は、知識グラフ(英: knowledge graph、CKG)の一種。 本稿では,未確認のエンティティがテスト時に現れるCKG完了のための帰納学習環境について検討する。 InductivEは、ATOMICとConceptNetベンチマークの標準設定とインダクティブ設定の両方において、最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-09-19T16:10:26Z)

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。