論文の概要: M\"{o}biusE: Knowledge Graph Embedding on M\"{o}bius Ring
- arxiv url: http://arxiv.org/abs/2101.02352v1
- Date: Thu, 7 Jan 2021 03:35:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-10 13:50:58.182210
- Title: M\"{o}biusE: Knowledge Graph Embedding on M\"{o}bius Ring
- Title(参考訳): M\"{o}biusE:M\"{o}bius Ring上での知識グラフ埋め込み
- Authors: Yao Chen, Jiangang Liu, Zhe Zhang, Shiping Wen, Wenjun Xiong
- Abstract要約: そこで本研究では,M"obiusE"と呼ばれる,M"obius ringの表面に実体と関係が埋め込まれた新しい知識グラフ埋め込み(KGE)戦略を提案する。
我々の実験では、M"obiusEはTorusEや他の古典的な埋め込み戦略をいくつかの重要な指標で上回っている。
- 参考スコア(独自算出の注目度): 9.51401017892482
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we propose a novel Knowledge Graph Embedding (KGE) strategy,
called M\"{o}biusE, in which the entities and relations are embedded to the
surface of a M\"{o}bius ring. The proposition of such a strategy is inspired by
the classic TorusE, in which the addition of two arbitrary elements is subject
to a modulus operation. In this sense, TorusE naturally guarantees the critical
boundedness of embedding vectors in KGE. However, the nonlinear property of
addition operation on Torus ring is uniquely derived by the modulus operation,
which in some extent restricts the expressiveness of TorusE. As a further
generalization of TorusE, M\"{o}biusE also uses modulus operation to preserve
the closeness of addition operation on it, but the coordinates on M\"{o}bius
ring interacts with each other in the following way: {\em \color{red} any
vector on the surface of a M\"{o}bius ring moves along its parametric trace
will goes to the right opposite direction after a cycle}. Hence, M\"{o}biusE
assumes much more nonlinear representativeness than that of TorusE, and in turn
it generates much more precise embedding results. In our experiments,
M\"{o}biusE outperforms TorusE and other classic embedding strategies in
several key indicators.
- Abstract(参考訳): 本研究では、m\"{o}biuse と呼ばれる、m\"{o}bius 環の表面にエンティティと関係が埋め込まれる新しい知識グラフ埋め込み(kge)戦略を提案する。
そのような戦略の提案は古典的なトーラスEに触発され、2つの任意の要素の追加はモジュラー演算の対象となる。
この意味で、トーラスE は KGE に埋め込みベクトルの臨界有界性を自然に保証する。
しかしながら、トーラス環上の加算演算の非線形性は、トーラスの表現性をある程度制限する弾性演算によって一意に導かれる。
トーラスのさらなる一般化として、m\"{o}biuse は加法演算の近接性を保つためにモジュラス演算を用いるが、m\"{o}bius 環上の座標は次の方法で相互作用する: {\em \color{red} m\"{o}bius 環の表面上の任意のベクトルは、そのパラメトリックなトレースに沿って移動し、サイクルの後に右反対方向に移動する。
したがって、M\"{o}biusE は TorusE よりもはるかに非線形な代表性を仮定し、結果としてより正確な埋め込み結果を生成する。
我々の実験では、M\ "{o}biusE" は TorusE や他の古典的な埋め込み戦略をいくつかの重要な指標で上回っている。
関連論文リスト
- Scaling up Dynamic Edge Partition Models via Stochastic Gradient MCMC [33.08344607564694]
エッジ分割モデル (EPM) は静的グラフ構造データから重なり合うコミュニティ構造を抽出する生成モデルである。
多くの魅力的な性質があるにもかかわらず、EMMの推論は通常、マルコフ連鎖モンテカルロ (MCMC) 法を用いて行われ、大規模なネットワークデータに適用されないようにしている。
論文 参考訳(メタデータ) (2024-02-29T15:19:35Z) - IMMP++: Isometric Motion Manifold Primitives with Parametric Curve
Models [5.982922468400902]
パラメトリック曲線表現にMMPフレームワークを適用することで、MMPと従来の手法の利点を組み合わせたモーション・マニフォールド・プリミティブ・++(MMP++)を導入する。
MMP++は、潜伏空間の幾何学的歪みのために、時に著しく劣化することがある。
IMP++(Isometric Motion Manifold Primitives++)を提案する。
論文 参考訳(メタデータ) (2023-10-26T00:28:37Z) - Curve Your Attention: Mixed-Curvature Transformers for Graph
Representation Learning [77.1421343649344]
本稿では,一定曲率空間の積を完全に操作するトランスフォーマーの一般化を提案する。
また、非ユークリッド注意に対するカーネル化されたアプローチを提供し、ノード数とエッジ数に線形に時間とメモリコストでモデルを実行できるようにします。
論文 参考訳(メタデータ) (2023-09-08T02:44:37Z) - Shape And Structure Preserving Differential Privacy [70.08490462870144]
正方形距離関数の勾配がラプラス機構よりも感度をよりよく制御できることを示す。
また,2乗距離関数の勾配を用いることで,ラプラス機構よりも感度を制御できることを示す。
論文 参考訳(メタデータ) (2022-09-21T18:14:38Z) - SigMaNet: One Laplacian to Rule Them All [3.075071396300441]
本稿では,無向グラフと有向グラフの両方を,符号や大きさに制限されない重みで処理できる汎用グラフ畳み込みネットワーク(GCN)であるSigMaNetを紹介する。
このような行列の採用により、スペクトルGCNの理論を正と負の両方の重みを持つ有向グラフに拡張することにより、現在の文献のギャップを埋めることができる。
論文 参考訳(メタデータ) (2022-05-26T16:06:59Z) - M\"{o}bius Convolutions for Spherical CNNs [26.91151736538527]
M"オビウス変換は、幾何学と球面画像処理の両方において重要な役割を果たす。
以下、M"obius-equivariant spherical convolution operatorについて述べる。
形状分類と画像分割の両タスクにおいて有望な結果を得ることにより,その実用性を実証する。
論文 参考訳(メタデータ) (2022-01-28T16:11:47Z) - q-Paths: Generalizing the Geometric Annealing Path using Power Means [51.73925445218366]
我々は、幾何学と算術の混合を特別なケースとして含むパスのファミリーである$q$-pathsを紹介した。
幾何経路から離れた小さな偏差がベイズ推定に経験的利得をもたらすことを示す。
論文 参考訳(メタデータ) (2021-07-01T21:09:06Z) - Pseudo-Euclidean Attract-Repel Embeddings for Undirected Graphs [73.0261182389643]
ドット積埋め込みはグラフをとり、2つのベクトル間のドット積がエッジの強さを与えるようなノードのベクトルを構成する。
ノードを擬ユークリッド空間に埋め込むことにより、推移性仮定を除去する。
Pseudo-Euclidean 埋め込みはネットワークを効率よく圧縮でき、近接する隣人の複数の概念をそれぞれ独自の解釈で解釈でき、既存のモデルに'スロットできる。
論文 参考訳(メタデータ) (2021-06-17T17:23:56Z) - Coordinate Independent Convolutional Networks -- Isometry and Gauge
Equivariant Convolutions on Riemannian Manifolds [70.32518963244466]
平坦空間と比較して大きな複雑さは、コンボリューション核が多様体にどのようなアライメントを適用するべきかが不明確であることである。
コーディネート化の特定の選択は、ネットワークの推論に影響を与えるべきではない、と我々は主張する。
座標独立と重み共有の同時要求は、ネットワーク上の同変要求をもたらす。
論文 参考訳(メタデータ) (2021-06-10T19:54:19Z) - Gauge Equivariant Mesh CNNs: Anisotropic convolutions on geometric
graphs [81.12344211998635]
メッシュ上の畳み込みを定義する一般的なアプローチは、それらをグラフとして解釈し、グラフ畳み込みネットワーク(GCN)を適用することである。
本稿では、GCNを一般化して異方性ゲージ同変カーネルを適用するGauge Equivariant Mesh CNNを提案する。
本実験は,従来のGCNおよび他の手法と比較して,提案手法の表現性を大幅に向上することを示した。
論文 参考訳(メタデータ) (2020-03-11T17:21:15Z) - Generalized Extended Momentum Operator [0.0]
拡張不確実性原理関係(EUP)を満たす運動量演算子の研究と一般化
この一般化された拡張運動量作用素 (GEMO) は、位置作用素の任意の補助関数、$mu left(xright) $ からなり、GEMO は EUP 関係を満たすだけでなく、エルミートである。
論文 参考訳(メタデータ) (2020-02-24T13:19:01Z)
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。