論文の概要: Decentralized Knowledge Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2010.08114v1
• Date: Fri, 16 Oct 2020 02:31:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 19:54:25.567047
• Title: Decentralized Knowledge Graph Representation Learning
• Title（参考訳）: 分散知識グラフ表現学習
• Authors: Lingbing Guo, Weiqing Wang, Zequn Sun, Chenghao Liu, Wei Hu
• Abstract要約: 分散知識グラフ(KG)表現学習手法について述べる。 decentRLは、隣人の埋め込みからのみ、各エンティティをエンコードする。 実験により、提案手法は、エンティティアライメントタスクにおける多くの最先端モデルよりも優れた性能を示し、エンティティ予測タスクにおける競合性能を達成した。
• 参考スコア（独自算出の注目度）: 33.108623075044534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph (KG) representation learning methods have achieved competitive performance in many KG-oriented tasks, among which the best ones are usually based on graph neural networks (GNNs), a powerful family of networks that learns the representation of an entity by aggregating the features of its neighbors and itself. However, many KG representation learning scenarios only provide the structure information that describes the relationships among entities, causing that entities have no input features. In this case, existing aggregation mechanisms are incapable of inducing embeddings of unseen entities as these entities have no pre-defined features for aggregation. In this paper, we present a decentralized KG representation learning approach, decentRL, which encodes each entity from and only from the embeddings of its neighbors. For optimization, we design an algorithm to distill knowledge from the model itself such that the output embeddings can continuously gain knowledge from the corresponding original embeddings. Extensive experiments show that the proposed approach performed better than many cutting-edge models on the entity alignment task, and achieved competitive performance on the entity prediction task. Furthermore, under the inductive setting, it significantly outperformed all baselines on both tasks.
• Abstract（参考訳）: 知識グラフ(KG)表現学習法は多くのKG指向タスクにおいて競争性能を達成しており、その中でも最も優れたものはグラフニューラルネットワーク(GNN)をベースにしている。 しかしながら、多くのKG表現学習シナリオは、エンティティ間の関係を記述する構造情報のみを提供し、エンティティには入力機能がない。 この場合、既存のアグリゲーションメカニズムは、これらのエンティティがアグリゲーションのための事前定義された特徴を持っていないため、見当たらないエンティティの埋め込みを誘導できない。 本稿では,各エンティティを隣接ノードの埋め込みからのみエンコードする分散型kg表現学習手法であるausorrlを提案する。 最適化のために、出力埋め込みが対応する元の埋め込みから継続的に知識を得ることができるように、モデル自身から知識を蒸留するアルゴリズムを設計する。 広範な実験により,提案手法は,エンティティアライメントタスクにおいて多くの最先端モデルよりも優れた性能を示し,エンティティ予測タスクにおける競合性能を達成した。 さらに、帰納的設定の下では、両方のタスクにおけるすべてのベースラインを著しく上回った。

関連論文リスト

• Less is More: Toward Zero-Shot Local Scene Graph Generation via Foundation Models [16.08214739525615]
  ローカルシーングラフ生成という新しいタスクを提案する。 部分的オブジェクトとそれらの関係をイメージとして、関連する構造情報を抽象化することを目的としている。 我々は,zEro-shot Local scEne GrAph geNeraTion (ELEGANT)を紹介した。
  論文  参考訳（メタデータ） (2023-10-02T17:19:04Z)
• Inductive Knowledge Graph Completion with GNNs and Rules: An Analysis [18.11743347414004]
  ルールベース手法はグラフニューラルネットワーク(GNN)に基づく最先端手法を著しく上回る 本稿では,前述の問題に対処することを目的としたルールベースアプローチのバリエーションについて検討する。 その結果,NBFNetに近い性能が得られることがわかった。
  論文  参考訳（メタデータ） (2023-08-14T21:01:29Z)
• Analyzing the Effect of Sampling in GNNs on Individual Fairness [79.28449844690566]
  グラフニューラルネットワーク(GNN)ベースの手法は、レコメンダシステムの分野を飽和させた。 我々は,GNNの学習を支援するために,グラフ上で個別の公平性を促進させる既存手法を拡張した。 本研究では,局所ニュアンスが表現学習における公平化促進の過程を導くことによって,ミニバッチトレーニングが個人の公正化を促進することを示す。
  論文  参考訳（メタデータ） (2022-09-08T16:20:25Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Explainability-aided Domain Generalization for Image Classification [0.0]
  説明可能性文献から手法やアーキテクチャを適用することで、ドメインの一般化という困難な課題に対して最先端のパフォーマンスを達成できることを示す。 そこで我々は,勾配に基づくクラスアクティベーションマップを用いて学習中にネットワークが指導を受ける手法であるDivCAMを含む新しいアルゴリズムを開発し,多様な識別機能に焦点をあてる。 これらの手法は、説明可能性に加えて競合性能を提供するため、深層ニューラルネットワークアーキテクチャのロバスト性を改善するツールとして使用できると論じる。
  論文  参考訳（メタデータ） (2021-04-05T02:27:01Z)
• Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
  画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。 本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。 本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-13T18:05:36Z)
• Quantifying Challenges in the Application of Graph Representation Learning [0.0]
  私たちは、一般的な埋め込みアプローチのセットに対して、アプリケーション指向の視点を提供します。 実世界のグラフ特性に関する表現力を評価する。 GRLアプローチは現実のシナリオでは定義が困難であることが示唆された。
  論文  参考訳（メタデータ） (2020-06-18T03:19:43Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。