Fugu-MT 論文翻訳(概要): Node Attribute Completion in Knowledge Graphs with Multi-Relational Propagation

論文の概要: Node Attribute Completion in Knowledge Graphs with Multi-Relational Propagation

arxiv url: http://arxiv.org/abs/2011.05301v1
Date: Tue, 10 Nov 2020 18:36:33 GMT
ステータス: 処理完了
システム内更新日: 2022-09-27 07:48:18.004061
Title: Node Attribute Completion in Knowledge Graphs with Multi-Relational Propagation
Title（参考訳）: マルチリレーショナル伝播を伴う知識グラフにおけるノード属性の完全性
Authors: Eda Bayram and Alberto Garcia-Duran and Robert West
Abstract要約: 我々のアプローチは、知識グラフを横断して情報を伝達することで、欠落した属性の値を暗示する。これは、ノードと属性のタイプとの関係に応じて、あるノード属性を別のノード属性から予測するために回帰関数を使用する。
参考スコア（独自算出の注目度）: 14.58440933068
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The existing literature on knowledge graph completion mostly focuses on the link prediction task. However, knowledge graphs have an additional incompleteness problem: their nodes possess numerical attributes, whose values are often missing. Our approach, denoted as MrAP, imputes the values of missing attributes by propagating information across the multi-relational structure of a knowledge graph. It employs regression functions for predicting one node attribute from another depending on the relationship between the nodes and the type of the attributes. The propagation mechanism operates iteratively in a message passing scheme that collects the predictions at every iteration and updates the value of the node attributes. Experiments over two benchmark datasets show the effectiveness of our approach.
Abstract（参考訳）: 知識グラフ補完に関する既存の文献は主にリンク予測タスクに焦点を当てている。しかし、ナレッジグラフにはさらに不完全性の問題があり、ノードには数値属性があり、その値はしばしば失われる。本手法は,知識グラフのマルチリレーショナル構造に情報を伝播することにより,欠落属性の値を推定する。回帰関数を使用して、ノードと属性のタイプの関係に応じて、別のノード属性からひとつのノード属性を予測する。伝達機構は、反復毎に予測を収集し、ノード属性の値を更新するメッセージパッシングスキームで反復的に動作する。 2つのベンチマークデータセットに対する実験は、我々のアプローチの有効性を示している。

関連論文リスト

Multistage non-deterministic classification using secondary concept graphs and graph convolutional networks for high-level feature extraction [0.0]
多様なトピックを持つドメインでは、グラフ表現は特徴間の相互関係を示す。達成にもかかわらず、9つの決定論的クラスを予測および割り当てすることは、しばしばエラーを伴う。二次概念グラフとグラフ畳み込みネットワークに基づく多段階非決定論的分類法を提案する。
論文参考訳（メタデータ） (2024-11-09T15:28:45Z)
DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文参考訳（メタデータ） (2024-01-28T06:43:13Z)
Structure and inference in hypergraphs with node attributes [1.024113475677323]
我々は,高次相互作用による構造理解を改善するために,ノード属性をどのように利用できるかを示す。我々は,高次相互作用とノード属性を組み合わせて,観測された相互作用をよりよく表現する原理モデルを開発した。
論文参考訳（メタデータ） (2023-11-07T10:16:20Z)
Recovering Missing Node Features with Local Structure-based Embeddings [34.79801041888119]
グラフの集合に対して、完全に欠落したノード機能を復元するフレームワークを提案する。我々のアプローチは、グラフトポロジーと既存の結節値の両方からの事前情報を取り入れている。
論文参考訳（メタデータ） (2023-09-16T18:23:14Z)
Revisiting Initializing Then Refining: An Incomplete and Missing Graph Imputation Network [42.68291773745948]
RITR(Revisiting Initializing Then Refining)と呼ばれる新しいネットワークを開発する。我々は,新しい初期化精錬計算基準の指導のもと,属性不完全と属性欠落の両方のサンプルを完成させた。我々の知る限り、この新しく設計された手法は、ハイブリット・アベントグラフを扱うための最初の教師なしのフレームワークである。
論文参考訳（メタデータ） (2023-02-15T08:38:06Z)
GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文参考訳（メタデータ） (2022-12-01T11:49:07Z)
Unveiling Anomalous Edges and Nominal Connectivity of Attributed Networks [53.56901624204265]
本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
論文参考訳（メタデータ） (2021-04-17T20:00:40Z)
Learning on Attribute-Missing Graphs [66.76561524848304]
部分ノードのみの属性が利用できるグラフがあり、他の属性が完全に欠落している可能性がある。一般的なGNNを含む既存のグラフ学習手法では、満足な学習性能が得られない。我々は,属性欠落グラフのための構造属性変換器(SAT)と呼ばれる新しい分布マッチングベースGNNを開発した。
論文参考訳（メタデータ） (2020-11-03T11:09:52Z)
CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
CatGCNはグラフ学習に適したノード機能である。エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
論文参考訳（メタデータ） (2020-09-11T09:25:17Z)
Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach [61.2786065744784]
レコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。本稿では,共同項目推薦と属性推論のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
論文参考訳（メタデータ） (2020-05-25T10:50:01Z)
Predicting Attributes of Nodes Using Network Structure [0.34998703934432673]
a_i$ の属性値を予測するために,属性 $a_i$ に関する特徴写像でノードを表現するアプローチを提案する。 10個の実世界のデータセットに対して広範な実験を行い、提案した特徴マップがこれらのデータセットのベースラインアプローチと比較して予測精度を大幅に向上することを示す。
論文参考訳（メタデータ） (2019-12-27T17:59:33Z)

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。