論文の概要: FedE: Embedding Knowledge Graphs in Federated Setting

• arxiv url: http://arxiv.org/abs/2010.12882v1
• Date: Sat, 24 Oct 2020 11:52:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 13:11:02.267456
• Title: FedE: Embedding Knowledge Graphs in Federated Setting
• Title（参考訳）: FedE:フェデレーション設定に知識グラフを埋め込む
• Authors: Mingyang Chen, Wen Zhang, Zonggang Yuan, Yantao Jia, Huajun Chen
• Abstract要約: マルチソースKGは、実際の知識グラフアプリケーションでは一般的な状況である。 データプライバシと感度のため、関連する知識グラフのセットは、異なる知識グラフからデータを集めるだけで、お互いのKGCを補完することはできない。 我々は,局所的な更新を集約して知識グラフの埋め込みを学習することに焦点を当てた,知識グラフ埋め込みフレームワークであるフェデレーション(Federated Knowledge Graph Embedding)を提案する。
• 参考スコア（独自算出の注目度）: 21.022513922373207
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graphs (KGs) consisting of triples are always incomplete, so it's important to do Knowledge Graph Completion (KGC) by predicting missing triples. Multi-Source KG is a common situation in real KG applications which can be viewed as a set of related individual KGs where different KGs contains relations of different aspects of entities. It's intuitive that, for each individual KG, its completion could be greatly contributed by the triples defined and labeled in other ones. However, because of the data privacy and sensitivity, a set of relevant knowledge graphs cannot complement each other's KGC by just collecting data from different knowledge graphs together. Therefore, in this paper, we introduce federated setting to keep their privacy without triple transferring between KGs and apply it in embedding knowledge graph, a typical method which have proven effective for KGC in the past decade. We propose a Federated Knowledge Graph Embedding framework FedE, focusing on learning knowledge graph embeddings by aggregating locally-computed updates. Finally, we conduct extensive experiments on datasets derived from KGE benchmark datasets and results show the effectiveness of our proposed FedE.
• Abstract（参考訳）: 三重項からなる知識グラフ(KG)は常に不完全であるため、欠落三重項を予測することで知識グラフ補完(KGC)を行うことが重要である。 マルチソース KG は実際の KG アプリケーションでは一般的な状況であり、異なる KG がエンティティの異なる側面の関係を含むような関連する個々の KG の集合と見なすことができる。 直感的には、個々のKGに対して、その完成は、他で定義されラベル付けされたトリプルによって大きく貢献される可能性がある。 しかしながら、データのプライバシと感度のため、関連する知識グラフのセットは、異なる知識グラフからデータを集めるだけでは互いにkgcを補完できない。 そこで本稿では,この10年でkgcに有効な手法である組込みナレッジグラフ(embedd knowledge graph)において,kgs間のトリプル転送を行わずにプライバシを維持するためのフェデレート設定を提案する。 本研究では,局所集計更新の集約による知識グラフ埋め込みの学習に着目した,連合型知識グラフ埋め込みフレームワークfedeを提案する。 最後に,kgeベンチマークデータセットから得られたデータセットについて広範な実験を行い,提案手法の有効性を示す。

関連論文リスト

• Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [87.67177556994525]
  我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成する、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。 GoGはIKGQAでLLMをエージェントとKGの両方として扱うThinking-Searching-Generatingフレームワークを通じて推論を行う。
  論文  参考訳（メタデータ） (2024-04-23T04:47:22Z)
• FedMKGC: Privacy-Preserving Federated Multilingual Knowledge Graph Completion [21.4302940596294]
  知識グラフ補完(KGC)は、知識グラフ(KG)の欠落事実を予測することを目的とする。 KG間で生データを転送することに依存する従来の方法は、プライバシー上の懸念を提起している。 我々は、生データ交換やエンティティアライメントを必要とせずに、複数のKGから暗黙的に知識を集約する新しい連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-17T08:09:27Z)
• On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation [49.18304766331156]
  KG強化推薦のための新しいコントラスト学習フレームワークを提案する。 我々は、KGとIGのための2つの異なるコントラストビューを構築し、それらの相互情報を最大化する。 実世界の3つのデータセットに対する大規模な実験結果から,本手法の有効性と有効性が確認された。
  論文  参考訳（メタデータ） (2023-09-23T14:05:55Z)
• Collective Knowledge Graph Completion with Mutual Knowledge Distillation [11.922522192224145]
  我々は,異なるKGからの集合的知識の最大化に焦点をあてるマルチKG完備化の問題について検討する。 CKGC-CKDと呼ばれる,個々のKGと大きな融合KGの両方で,関係対応グラフ畳み込みネットワークエンコーダモデルを用いる新しい手法を提案する。 複数言語データセットによる実験結果から,本手法はKGCタスクにおけるすべての最先端モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-25T09:49:40Z)
• Graph Mixture of Experts: Learning on Large-Scale Graphs with Explicit Diversity Modeling [60.0185734837814]
  グラフニューラルネットワーク(GNN)は、グラフデータからの学習に広く応用されている。 GNNの一般化能力を強化するため、グラフ強化のような技術を用いて、トレーニンググラフ構造を増強することが慣例となっている。 本研究では,GNNにMixture-of-Experts(MoE)の概念を導入する。
  論文  参考訳（メタデータ） (2023-04-06T01:09:36Z)
• A Survey On Few-shot Knowledge Graph Completion with Structural and Commonsense Knowledge [3.4012007729454807]
  FKGC(Few-shot KG completion)は、グラフ表現学習と少数ショット学習の長所を必要とする。 本稿では、一般的に使われているKGとCKGのFKGC課題を紹介する。 そこで,本研究では,KGのタイプと手法の観点から,既存の作品を体系的に分類し,要約する。
  論文  参考訳（メタデータ） (2023-01-03T16:00:09Z)
• A Review of Knowledge Graph Completion [0.0]
  情報抽出法は構造化データや非構造化データからの3重抽出に有効であることが証明された。 現在の知識グラフのほとんどは不完全である。 下流タスクでKGを使用するためには、KGに欠けているリンクを予測することが望ましい。
  論文  参考訳（メタデータ） (2022-08-24T16:42:59Z)
• Collaborative Knowledge Graph Fusion by Exploiting the Open Corpus [59.20235923987045]
  知識表現の質を維持しながら、新たに収穫した3倍の知識グラフを豊かにすることは困難である。 本稿では,付加コーパスから得られる情報を用いてKGを精製するシステムを提案する。
  論文  参考訳（メタデータ） (2022-06-15T12:16:10Z)
• ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
  ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。 我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
  論文  参考訳（メタデータ） (2022-06-08T23:34:39Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Multilingual Knowledge Graph Completion via Ensemble Knowledge Transfer [43.453915033312114]
  知識グラフ(KG)に欠けている事実を予測することは、知識ベースの構築と推論において重要なタスクである。 KEnSは、学習と知識のアンサンブルを複数の言語固有のKGに組み込むための新しいフレームワークである。 5つの実世界の言語固有のKGの実験により、KEnSはKG完了に関する最先端の手法を一貫して改善していることが示された。
  論文  参考訳（メタデータ） (2020-10-07T04:54:03Z)

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。