論文の概要: Duality-Induced Regularizer for Tensor Factorization Based Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2011.05816v2
• Date: Tue, 4 May 2021 06:39:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 00:35:06.358184
• Title: Duality-Induced Regularizer for Tensor Factorization Based Knowledge Graph Completion
• Title（参考訳）: テンソルファクトリゼーションに基づく知識グラフ補完のための二重化誘導正規化器
• Authors: Zhanqiu Zhang, Jianyu Cai, Jie Wang
• Abstract要約: 本稿では,既存モデルの性能向上に有効な新しい正規化器(duality-induced RegulArizer (DURA))を提案する。 実験の結果、DURAはベンチマークの一貫性と大幅な改善をもたらすことが示された。
• 参考スコア（独自算出の注目度）: 12.571769130252749
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tensor factorization based models have shown great power in knowledge graph completion (KGC). However, their performance usually suffers from the overfitting problem seriously. This motivates various regularizers -- such as the squared Frobenius norm and tensor nuclear norm regularizers -- while the limited applicability significantly limits their practical usage. To address this challenge, we propose a novel regularizer -- namely, DUality-induced RegulArizer (DURA) -- which is not only effective in improving the performance of existing models but widely applicable to various methods. The major novelty of DURA is based on the observation that, for an existing tensor factorization based KGC model (primal), there is often another distance based KGC model (dual) closely associated with it. Experiments show that DURA yields consistent and significant improvements on benchmarks.
• Abstract（参考訳）: テンソル分解に基づくモデルは知識グラフ補完(KGC)において大きな力を示している。 しかし、そのパフォーマンスは通常、過度に適合する問題に悩まされる。 これは、正方形フロベニウスノルムやテンソル核ノルム正規化子のような様々な正規化子を動機付けているが、その限定的な適用性は、その実用性を大幅に制限している。 そこで本研究では,既存のモデルの性能向上に有効な新しい正規化器,すなわち双対性誘発正規化器(dura)を提案する。 DURAの主な新規性は、既存のテンソル分解に基づくKGCモデル(プライマル)に対して、それと密接に関連する別の距離ベースのKGCモデル(デュアル)が存在するという観察に基づいている。 実験の結果、DURAはベンチマークの一貫性と大幅な改善をもたらすことが示された。

関連論文リスト

• Derivative-Free Diffusion Manifold-Constrained Gradient for Unified XAI [59.96044730204345]
  微分自由拡散多様体制約勾配(FreeMCG)を導入する。 FreeMCGは、与えられたニューラルネットワークの説明可能性を改善する基盤として機能する。 提案手法は,XAIツールが期待する本質性を保ちながら,最先端の成果が得られることを示す。
  論文  参考訳（メタデータ） (2024-11-22T11:15:14Z)
• Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows [6.954510776782872]
  非線形後因果モデル(PNL)は因果関係をモデル化するための汎用的で適応可能なフレームワークとして際立っている。 CAF-PoNoを導入し、正規化フローアーキテクチャのパワーを活用し、PNLモデルにおいて重要な可逆性制約を強制する。 本手法は,原因-影響同定において重要な役割を担う隠れ雑音を正確に再構成する。
  論文  参考訳（メタデータ） (2024-07-06T07:19:21Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [89.49600182243306]
  我々は拡散モデルを用いて再構成過程をノイズ・ツー・ノームパラダイムに再構成する。 本稿では,拡散モデルにおける従来の反復的復調よりもはるかに高速な高速な一段階復調パラダイムを提案する。 セグメント化サブネットワークは、入力画像とその異常のない復元を用いて画素レベルの異常スコアを予測する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• ER: Equivariance Regularizer for Knowledge Graph Completion [107.51609402963072]
  我々は、新しい正規化器、すなわち等分散正規化器(ER)を提案する。 ERは、頭と尾のエンティティ間の意味的等価性を利用することで、モデルの一般化能力を高めることができる。 実験結果から,最先端関係予測法よりも明確かつ実質的な改善が示された。
  論文  参考訳（メタデータ） (2022-06-24T08:18:05Z)
• Training Discrete Deep Generative Models via Gapped Straight-Through Estimator [72.71398034617607]
  再サンプリングのオーバーヘッドを伴わずに分散を低減するため, GST (Gapped Straight-Through) 推定器を提案する。 この推定子は、Straight-Through Gumbel-Softmaxの本質的な性質に着想を得たものである。 実験により,提案したGST推定器は,2つの離散的な深部生成モデリングタスクの強いベースラインと比較して,優れた性能を享受できることが示された。
  論文  参考訳（メタデータ） (2022-06-15T01:46:05Z)
• Duality-Induced Regularizer for Semantic Matching Knowledge Graph Embeddings [70.390286614242]
  本稿では, 類似のセマンティクスを持つエンティティの埋め込みを効果的に促進する新しい正規化器(duality-induced RegulArizer (DURA))を提案する。 実験により、DURAは、最先端のセマンティックマッチングモデルの性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2022-03-24T09:24:39Z)
• Deep Recurrent Modelling of Granger Causality with Latent Confounding [0.0]
  本稿では,非線形なGranger因果関係をモデル化するためのディープラーニングに基づくアプローチを提案する。 我々は,非線形時系列におけるモデル性能を実演し,その要因と効果を異なる時間ラグで示す。
  論文  参考訳（メタデータ） (2022-02-23T03:26:22Z)
• A Distributionally Robust Area Under Curve Maximization Model [1.370633147306388]
  我々は2つの新しい分散ロバストなAUCモデル(DR-AUC)を提案する。 DR-AUCモデルは関東ロビッチ計量に依存し、AUCとヒンジ損失関数を近似する。 数値実験により,提案したDR-AUCモデルは一般に性能が向上し,特に最悪のアウト・オブ・サンプル性能が向上することが示された。
  論文  参考訳（メタデータ） (2020-02-18T02:50:45Z)

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。