論文の概要: One-shot Learning for Temporal Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2010.12144v1
- Date: Fri, 23 Oct 2020 03:24:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 21:40:24.904081
- Title: One-shot Learning for Temporal Knowledge Graphs
- Title（参考訳）: 時間知識グラフのためのワンショット学習
- Authors: Mehrnoosh Mirtaheri, Mohammad Rostami, Xiang Ren, Fred Morstatter,
Aram Galstyan
- Abstract要約: 時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。
提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。
実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
- 参考スコア（独自算出の注目度）: 49.41854171118697
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most real-world knowledge graphs are characterized by a long-tail relation
frequency distribution where a significant fraction of relations occurs only a
handful of times. This observation has given rise to recent interest in
low-shot learning methods that are able to generalize from only a few examples.
The existing approaches, however, are tailored to static knowledge graphs and
not easily generalized to temporal settings, where data scarcity poses even
bigger problems, e.g., due to occurrence of new, previously unseen relations.
We address this shortcoming by proposing a one-shot learning framework for link
prediction in temporal knowledge graphs. Our proposed method employs a
self-attention mechanism to effectively encode temporal interactions between
entities, and a network to compute a similarity score between a given query and
a (one-shot) example. Our experiments show that the proposed algorithm
outperforms the state of the art baselines for two well-studied benchmarks
while achieving significantly better performance for sparse relations.
- Abstract（参考訳）: ほとんどの実世界の知識グラフは、少数の関係がわずか数回しか発生しない長いテール関係周波数分布によって特徴づけられる。
この観察は、ごく少数の例から一般化できるローショット学習手法への近年の関心を生んでいる。
しかし、既存のアプローチは静的な知識グラフに適合し、データ不足が新しい、以前は目に見えない関係の出現によってさらに大きな問題を引き起こすような時間的設定に容易に一般化されない。
本稿では,時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。
提案手法は,エンティティ間の時間的相互作用を効果的にエンコードするセルフアテンション機構と,与えられたクエリと(ワンショット)例との類似度スコアを計算するネットワークを用いる。
実験により,提案アルゴリズムが2つのよく研究されたベンチマークのベースラインを上回り,スパース関係に対する性能が大幅に向上したことを示す。
関連論文リスト
- Temporal Smoothness Regularisers for Neural Link Predictors [8.975480841443272]
TNTComplExのような単純な手法は、最先端の手法よりもはるかに正確な結果が得られることを示す。
また,2つの時間的リンク予測モデルに対する幅広い時間的平滑化正規化の影響についても検討した。
論文 参考訳（メタデータ） (2023-09-16T16:52:49Z) - On the Importance of Spatial Relations for Few-shot Action Recognition [109.2312001355221]
本稿では,空間的関係の重要性を考察し,より正確な数発アクション認識法を提案する。
新たな空間アライメントクロストランス(SA-CT)は、空間関係を再調整し、時間情報を組み込む。
実験の結果, 時間的情報を使用しなくても, SA-CTの性能は3/4ベンチマークの時間的手法に匹敵することがわかった。
論文 参考訳（メタデータ） (2023-08-14T12:58:02Z) - From Temporal to Contemporaneous Iterative Causal Discovery in the
Presence of Latent Confounders [6.365889364810238]
本稿では,観測時系列データから因果構造を学習するための制約に基づくアルゴリズムを提案する。
我々は、時間的・同時的な因果関係を持つ離散的、定常的な構造的ベクトル自己回帰過程を仮定する。
提案アルゴリズムは、時間的長期関係を短時間で学習することで、因果グラフを徐々に洗練し、同時期関係を最後に学習する。
論文 参考訳（メタデータ） (2023-06-01T12:46:06Z) - Temporal Knowledge Graph Reasoning with Low-rank and Model-agnostic
Representations [1.8262547855491458]
低ランクテンソル分解モデル LowFER のパラメータ効率および時間認識拡張系である Time-LowFER を導入する。
時間を表現するための現在のアプローチのいくつかの制限に留意し、時間特徴に対するサイクル対応の時間符号化方式を提案する。
我々は,時間に敏感なデータ処理に着目した統合時間知識グラフ埋め込みフレームワークに本手法を実装した。
論文 参考訳（メタデータ） (2022-04-10T22:24:11Z) - A Low Rank Promoting Prior for Unsupervised Contrastive Learning [108.91406719395417]
提案手法は,従来の低階の促進をコントラスト学習の枠組みに効果的に組み込む新しい確率的グラフィカルモデルを構築する。
我々の仮説は、同じインスタンスクラスに属するすべてのサンプルが、小さな次元の同じ部分空間上にあることを明示的に要求する。
実証的な証拠は、提案アルゴリズムが複数のベンチマークにおける最先端のアプローチを明らかに上回っていることを示している。
論文 参考訳（メタデータ） (2021-08-05T15:58:25Z) - Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。
本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。
提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文 参考訳（メタデータ） (2021-02-14T05:28:13Z) - Exploring the Limits of Few-Shot Link Prediction in Knowledge Graphs [49.6661602019124]
数発のリンク予測を行うため,本手法の現況を一般化したモデルスペクトルについて検討する。
単純なゼロショットベースライン – 関係性固有の情報を無視する – が驚くほど高いパフォーマンスを実現しているのが分かります。
慎重に構築された合成データセットの実験では、関係の例がいくつかあるだけで、モデルがきめ細かな構造情報を使用するのを基本的に制限することが示されている。
論文 参考訳（メタデータ） (2021-02-05T21:04:31Z) - Addressing Class Imbalance in Scene Graph Parsing by Learning to
Contrast and Score [65.18522219013786]
シーングラフ解析は、画像シーン内のオブジェクトを検出し、それらの関係を認識することを目的としている。
最近の手法は、いくつかの人気のあるベンチマークで高い平均スコアを達成しているが、稀な関係を検出するには失敗している。
本稿では,クラス不均衡問題を解決するために,分類とランキングの新たな統合フレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-28T13:57:59Z)
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。