論文の概要: Distributed Representations of Entities in Open-World Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2010.08114v2
• Date: Thu, 4 Apr 2024 03:12:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-05 21:09:13.113472
• Title: Distributed Representations of Entities in Open-World Knowledge Graphs
• Title（参考訳）: オープンワールド知識グラフにおけるエンティティの分散表現
• Authors: Lingbing Guo, Zhuo Chen, Jiaoyan Chen, Yichi Zhang, Zequn Sun, Zhongpo Bo, Yin Fang, Xiaoze Liu, Huajun Chen, Wen Zhang,
• Abstract要約: グラフニューラルネットワーク(GNN)に基づく手法は,様々な知識グラフ(KG)タスクにおいて顕著な性能を示した。 分散アテンションネットワーク(DAN)を導入し,新たなエンティティのみを観測する。 本手法は,オープンワールド設定における既存手法よりも大幅に優れる。
• 参考スコア（独自算出の注目度）: 47.406633469890686
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Graph neural network (GNN)-based methods have demonstrated remarkable performance in various knowledge graph (KG) tasks. However, most existing approaches rely on observing all entities during training, posing a challenge in real-world knowledge graphs where new entities emerge frequently. To address this limitation, we introduce Decentralized Attention Network (DAN). DAN leverages neighbor context as the query vector to score the neighbors of an entity, thereby distributing the entity semantics only among its neighbor embeddings. To effectively train a DAN, we introduce self-distillation, a technique that guides the network in generating desired representations. Theoretical analysis validates the effectiveness of our approach. We implement an end-to-end framework and conduct extensive experiments to evaluate our method, showcasing competitive performance on conventional entity alignment and entity prediction tasks. Furthermore, our method significantly outperforms existing methods in open-world settings.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)に基づく手法は,様々な知識グラフ(KG)タスクにおいて顕著な性能を示した。 しかし、既存のほとんどのアプローチは、トレーニング中にすべてのエンティティを観察することに依存しており、新しいエンティティが頻繁に出現する現実世界の知識グラフにおいて課題を提起している。 この制限に対処するため、分散注意ネットワーク(DAN)を導入する。 DANは、隣接するコンテキストをクエリベクトルとして利用し、エンティティの隣人を評価することで、エンティティのセマンティクスを隣人の埋め込みの中でのみ分散する。 DANを効果的に訓練するために、所望の表現を生成する際にネットワークを誘導する技法である自己蒸留を導入する。 理論的解析は我々のアプローチの有効性を検証する。 エンド・ツー・エンドのフレームワークを実装し,提案手法の評価を行い,従来のエンティティアライメントとエンティティ予測タスクにおける競合性能を示す。 さらに,本手法は,オープンワールド設定における既存手法よりも優れていた。

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。