論文の概要: Motif Learning in Knowledge Graphs Using Trajectories Of Differential Equations

• arxiv url: http://arxiv.org/abs/2010.06684v2
• Date: Sun, 18 Oct 2020 18:31:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 22:54:30.014274
• Title: Motif Learning in Knowledge Graphs Using Trajectories Of Differential Equations
• Title（参考訳）: 微分方程式の軌道を用いた知識グラフのモチーフ学習
• Authors: Mojtaba Nayyeri, Chengjin Xu, Jens Lehmann, Sahar Vahdati
• Abstract要約: 知識グラフ埋め込み(KGE)は、リンク予測タスクで有望なパフォーマンスを示している。 多くのKGEは平坦な幾何学を使い、複雑な構造を保存することができない。 正規微分方程式(ODE)の軌道上にKGのノードを埋め込む神経微分KGEを提案する。
• 参考スコア（独自算出の注目度）: 14.279419014064047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge Graph Embeddings (KGEs) have shown promising performance on link prediction tasks by mapping the entities and relations from a knowledge graph into a geometric space (usually a vector space). Ultimately, the plausibility of the predicted links is measured by using a scoring function over the learned embeddings (vectors). Therefore, the capability in preserving graph characteristics including structural aspects and semantics highly depends on the design of the KGE, as well as the inherited abilities from the underlying geometry. Many KGEs use the flat geometry which renders them incapable of preserving complex structures and consequently causes wrong inferences by the models. To address this problem, we propose a neuro differential KGE that embeds nodes of a KG on the trajectories of Ordinary Differential Equations (ODEs). To this end, we represent each relation (edge) in a KG as a vector field on a smooth Riemannian manifold. We specifically parameterize ODEs by a neural network to represent various complex shape manifolds and more importantly complex shape vector fields on the manifold. Therefore, the underlying embedding space is capable of getting various geometric forms to encode complexity in subgraph structures with different motifs. Experiments on synthetic and benchmark dataset as well as social network KGs justify the ODE trajectories as a means to structure preservation and consequently avoiding wrong inferences over state-of-the-art KGE models.
• Abstract（参考訳）: 知識グラフ埋め込み(KGE)は、知識グラフからの実体と関係を幾何学空間(通常はベクトル空間)にマッピングすることで、リンク予測タスクにおいて有望な性能を示す。 最終的に、予測リンクの妥当性は、学習された埋め込み(ベクトル)上のスコアリング関数を用いて測定される。 したがって、構造的側面や意味論を含むグラフ特性を保存する能力は、kgeの設計や基礎となる幾何学から継承された能力に大きく依存する。 多くのKGEは平坦な幾何学を使い、複雑な構造を保存することができず、結果としてモデルによる誤った推論を引き起こす。 この問題に対処するために、正規微分方程式(ODE)の軌道上にKGのノードを埋め込む神経微分KGEを提案する。 この目的のために、KG 内の各関係(辺)を滑らかなリーマン多様体上のベクトル場として表現する。 具体的には,様々な複素形状多様体とより重要で複雑な形状ベクトル場を表現するために,ニューラルネットワークによってodeをパラメータ化する。 したがって、基礎となる埋め込み空間は、異なるモチーフを持つ部分グラフ構造の複雑さをエンコードする様々な幾何学的形式を得ることができる。 合成およびベンチマークデータセットおよびソーシャルネットワークKGの実験は、構造保存の手段としてODEトラジェクトリを正当化し、したがって最先端のKGEモデルに対する誤った推論を避ける。

関連論文リスト

• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
  グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。 我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。 グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
  論文  参考訳（メタデータ） (2023-11-29T12:48:33Z)
• FMGNN: Fused Manifold Graph Neural Network [102.61136611255593]
  グラフ表現学習は、様々なグラフタスクにおいて広く研究され、効果が実証されている。 本稿では,異なるマニフォールドにグラフを埋め込む新しいGNNアーキテクチャであるFused Manifold Graph Neural Network (NN)を提案する。 提案実験により,NNはノード分類およびリンク予測タスクのベンチマークにおいて,強いベースラインよりも優れた性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-04-03T15:38:53Z)
• Latent Graph Inference using Product Manifolds [0.0]
  遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。 我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-11-26T22:13:06Z)
• Geometry Interaction Knowledge Graph Embeddings [153.69745042757066]
  ユークリッド空間,双曲空間,超球空間間の空間構造を対話的に学習する幾何学的相互作用知識グラフ埋め込み(GIE)を提案する。 提案したGIEは、よりリッチなリレーショナル情報、モデルキー推論パターンをキャプチャし、エンティティ間の表現的セマンティックマッチングを可能にする。
  論文  参考訳（メタデータ） (2022-06-24T08:33:43Z)
• Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
  単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。 単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:59:41Z)
• Hermitian Symmetric Spaces for Graph Embeddings [0.0]
  C 上の対称行列空間におけるグラフの連続表現を学ぶ。 これらの空間は双曲部分空間とユークリッド部分空間を同時に認めるリッチな幾何学を提供する。 提案するモデルは, apriori のグラフ特徴を見積もることなく, まったく異なる配置に自動的に適応することができる。
  論文  参考訳（メタデータ） (2021-05-11T18:14:52Z)
• Knowledge Graph Embeddings in Geometric Algebras [14.269860621624392]
  幾何学代数に基づく新しいKG埋め込みフレームワークGeomEを紹介する。 我々のフレームワークは、最先端のKG埋め込みアプローチを仮定し、様々なキー関係パターンをモデル化する能力に有利である。 複数のベンチマーク知識グラフの実験結果から,提案手法はリンク予測のための既存の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-10-02T13:36:24Z)
• 5* Knowledge Graph Embeddings with Projective Transformations [13.723120574076127]
  射影幾何学における知識グラフ埋め込みモデル(5*E)を提案する。 インバージョン、リフレクション、翻訳、回転、ホモセティといった複数の同時変換をサポートする。 これは、最も広く使われているリンク予測ベンチマークにおいて、既存のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-08T23:28:07Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。