論文の概要: Self-Supervised Hyperboloid Representations from Logical Queries over Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2012.13023v2
• Date: Mon, 15 Feb 2021 02:17:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 18:59:55.627111
• Title: Self-Supervised Hyperboloid Representations from Logical Queries over Knowledge Graphs
• Title（参考訳）: 知識グラフ上の論理クエリからの自己教師付き双曲表現
• Authors: Nurendra Choudhary, Nikhil Rao, Sumeet Katariya, Karthik Subbian, Chandan K. Reddy
• Abstract要約: 知識グラフ(kgs)は、web検索、eコマース、ソーシャルネットワーク、生物学といった現実世界のアプリケーションにおいて、情報ストレージのためのユビキタスな構造である。 表現学習を,翻訳,交叉,結合問合せをkgs上で利用する自己教師付き論理問合せ推論問題として定式化する。 我々は,KG上の正の1次存在条件を用いて,その実体と関係をポインカーボール内のハイパーボロイドとして学習する,新しい自己教師型動的推論フレームワークであるHyperboloid Embeddings (HypE)を提案する。
• 参考スコア（独自算出の注目度）: 18.92547855877845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge Graphs (KGs) are ubiquitous structures for information storagein several real-world applications such as web search, e-commerce, social networks, and biology. Querying KGs remains a foundational and challenging problem due to their size and complexity. Promising approaches to tackle this problem include embedding the KG units (e.g., entities and relations) in a Euclidean space such that the query embedding contains the information relevant to its results. These approaches, however, fail to capture the hierarchical nature and semantic information of the entities present in the graph. Additionally, most of these approaches only utilize multi-hop queries (that can be modeled by simple translation operations) to learn embeddings and ignore more complex operations such as intersection and union of simpler queries. To tackle such complex operations, in this paper, we formulate KG representation learning as a self-supervised logical query reasoning problem that utilizes translation, intersection and union queries over KGs. We propose Hyperboloid Embeddings (HypE), a novel self-supervised dynamic reasoning framework, that utilizes positive first-order existential queries on a KG to learn representations of its entities and relations as hyperboloids in a Poincar\'e ball. HypE models the positive first-order queries as geometrical translation, intersection, and union. For the problem of KG reasoning in real-world datasets, the proposed HypE model significantly outperforms the state-of-the art results. We also apply HypE to an anomaly detection task on a popular e-commerce website product taxonomy as well as hierarchically organized web articles and demonstrate significant performance improvements compared to existing baseline methods. Finally, we also visualize the learned HypE embeddings in a Poincar\'e ball to clearly interpret and comprehend the representation space.
• Abstract（参考訳）: 知識グラフ(kgs)は、web検索、eコマース、ソーシャルネットワーク、生物学といった現実世界のアプリケーションにおいて、情報格納のためのユビキタスな構造である。 KGのクエリは、サイズと複雑さのため、基礎的で難しい問題である。 この問題に取り組むための有望なアプローチには、クエリ埋め込みがその結果に関連する情報を含むようなユークリッド空間にkg単位(例えば、エンティティと関係)を埋め込みることが含まれる。 しかし、これらのアプローチは、グラフに存在するエンティティの階層的性質と意味情報の取り込みに失敗した。 さらに、これらのアプローチのほとんどはマルチホップクエリ(単純な翻訳操作でモデル化できる)のみを使用して埋め込みを学習し、単純なクエリの交わりや結合のようなより複雑な操作を無視する。 このような複雑な操作に取り組むために,本論文では,翻訳,交叉,結合問合せを利用した自己教師あり論理問合せ推論問題として,kg表現学習を定式化する。 本研究では, 1kg 上の正の 1 次実存クエリを用いて,ポインカージャイ球の双曲型表現とその関係を学習する,新しい自己教師付き動的推論フレームワークであるhyperboloid embeddeds (hype)を提案する。 HypEは、正の1次クエリを幾何学的変換、交叉、結合としてモデル化する。 実世界のデータセットにおけるkg推論の問題のために、提案されたハイプモデルは最先端の成果を大きく上回っている。 また,HypEを一般的なeコマースWebサイト製品分類の異常検出タスクや階層的に整理されたWeb記事に適用し,既存のベースライン手法と比較して大幅な性能向上を示す。 最後に,poincar\'e ボールへのハイプ埋め込みを可視化し,表現空間を明確に解釈し理解する。

関連論文リスト

• A Prompt-Based Knowledge Graph Foundation Model for Universal In-Context Reasoning [17.676185326247946]
  そこで本研究では,テキスト内学習,すなわちKG-ICLを介し,プロンプトに基づくKGファウンデーションモデルを提案する。 クエリにおけるエンティティや関係を発見できないような一般化機能を備えたプロンプトグラフを符号化するために,まず統一トークン化器を提案する。 そこで我々は,プロンプトエンコーディングとKG推論を行う2つのメッセージパッシングニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-10-16T06:47:18Z)
• Query Structure Modeling for Inductive Logical Reasoning Over Knowledge Graphs [67.043747188954]
  KGに対する帰納的論理的推論のための構造モデル付きテキスト符号化フレームワークを提案する。 線形化されたクエリ構造とエンティティを、事前訓練された言語モデルを使ってエンコードして、回答を見つける。 2つの帰納的論理推論データセットと3つの帰納的推論データセットについて実験を行った。
  論文  参考訳（メタデータ） (2023-05-23T01:25:29Z)
• Complex Logical Reasoning over Knowledge Graphs using Large Language Models [13.594992599230277]
  知識グラフ(KG)に対する推論は、エンティティ間の関係を深く理解する必要がある課題である。 現在のアプローチは、論理的なクエリ操作のために、ベクトル空間にエンティティを埋め込むための学習ジオメトリに依存している。 本稿では,文脈的KG探索と論理的クエリ推論を組み合わせた複雑なKG推論を定式化する,言語誘導型知識グラフによる抽象推論(LARK)を提案する。
  論文  参考訳（メタデータ） (2023-05-02T02:21:49Z)
• Modeling Relational Patterns for Logical Query Answering over Knowledge Graphs [29.47155614953955]
  そこで我々は,複雑な空間における回転により,クエリ領域を幾何学的円錐と代数的クエリ演算子として定義する新しいクエリ埋め込み手法RoConEを開発した。 いくつかのベンチマークデータセットに対する実験結果から,論理的問合せ処理の強化のための関係パターンの利点が確認された。
  論文  参考訳（メタデータ） (2023-03-21T13:59:15Z)
• Logical Message Passing Networks with One-hop Inference on Atomic Formulas [57.47174363091452]
  本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。 クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。 我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
  論文  参考訳（メタデータ） (2023-01-21T02:34:06Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)
• Reasoning over Multi-view Knowledge Graphs [59.99051368907095]
  ROMAは、マルチビューKG上で論理クエリに応答する新しいフレームワークである。 大規模(数百万の事実など)のKGや粒度の細かいビューまでスケールする。 トレーニング中に観測されていない構造やKGビューのクエリを一般化する。
  論文  参考訳（メタデータ） (2022-09-27T21:32:20Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Geometry Interaction Knowledge Graph Embeddings [153.69745042757066]
  ユークリッド空間,双曲空間,超球空間間の空間構造を対話的に学習する幾何学的相互作用知識グラフ埋め込み(GIE)を提案する。 提案したGIEは、よりリッチなリレーショナル情報、モデルキー推論パターンをキャプチャし、エンティティ間の表現的セマンティックマッチングを可能にする。
  論文  参考訳（メタデータ） (2022-06-24T08:33:43Z)
• Query Embedding on Hyper-relational Knowledge Graphs [0.4779196219827507]
  マルチホップ論理推論は知識グラフ上の表現学習の分野で確立された問題である。 我々はマルチホップ推論問題をハイパーリレーショナルなKGに拡張し、この新しいタイプの複雑なクエリに対処する。
  論文  参考訳（メタデータ） (2021-06-15T14:08:50Z)
• Knowledge Graphs and Knowledge Networks: The Story in Brief [0.1933681537640272]
  知識グラフ(KG)は、実世界のノイズの多い生情報を構造化形式で表現し、エンティティ間の関係をキャプチャする。 ソーシャルネットワーク、レコメンダシステム、計算生物学、関係知識表現といった動的現実世界の応用は、困難な研究課題として浮上している。 この記事では、AIのためのKGの旅を要約する。
  論文  参考訳（メタデータ） (2020-03-07T18:09:18Z)

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。