Fugu-MT 論文翻訳(概要): Discrete Knowledge Graph Embedding based on Discrete Optimization

論文の概要: Discrete Knowledge Graph Embedding based on Discrete Optimization

arxiv url: http://arxiv.org/abs/2101.04817v1
Date: Wed, 13 Jan 2021 00:23:07 GMT
ステータス: 処理完了
システム内更新日: 2021-03-30 08:08:49.235086
Title: Discrete Knowledge Graph Embedding based on Discrete Optimization
Title（参考訳）: 離散最適化に基づく離散知識グラフ埋め込み
Authors: Yunqi Li, Shuyuan Xu, Bo Liu, Zuohui Fu, Shuchang Liu, Xu Chen, Yongfeng Zhang
Abstract要約: DKGEの収束は理論的に保証できる。 DKGEは、多くの連続グラフ埋め込み方法と比較して、計算の複雑さとストレージがはるかに低く、匹敵する精度に達します。
参考スコア（独自算出の注目度）: 27.565700784441486
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper proposes a discrete knowledge graph (KG) embedding (DKGE) method, which projects KG entities and relations into the Hamming space based on a computationally tractable discrete optimization algorithm, to solve the formidable storage and computation cost challenges in traditional continuous graph embedding methods. The convergence of DKGE can be guaranteed theoretically. Extensive experiments demonstrate that DKGE achieves superior accuracy than classical hashing functions that map the effective continuous embeddings into discrete codes. Besides, DKGE reaches comparable accuracy with much lower computational complexity and storage compared to many continuous graph embedding methods.
Abstract（参考訳）: 本稿では,従来の連続グラフ埋め込み法において,計算的に抽出可能な離散最適化アルゴリズムに基づいて,KGエンティティと関係をハミング空間に投影する離散知識グラフ埋め込み(DKGE)法を提案する。 DKGEの収束は理論的に保証できる。大規模な実験により、DKGEは、有効な連続埋め込みを離散コードにマッピングする古典的なハッシュ関数よりも優れた精度を達成することが示された。さらに、DKGEは、多くの連続グラフ埋め込み法と比較して計算量や記憶量が少なく、同等の精度に達する。

関連論文リスト

Linearly Convergent Mixup Learning [0.0]
より広い範囲のバイナリ分類モデルに拡張する2つの新しいアルゴリズムを提案する。勾配に基づくアプローチとは異なり、我々のアルゴリズムは学習率のようなハイパーパラメータを必要とせず、実装と最適化を単純化する。我々のアルゴリズムは、降下勾配法と比較して最適解への高速収束を実現し、ミックスアップデータの増大は、様々な損失関数の予測性能を一貫して改善する。
論文参考訳（メタデータ） (2025-01-14T02:33:40Z)
Efficient Graph Condensation via Gaussian Process [11.304327316816561]
グラフ凝縮は、性能を維持しながら大きなグラフのサイズを減らす。既存の手法はしばしば二段階最適化に依存しており、広範囲なGNNトレーニングとスケーラビリティの制限を必要とする。本稿では,ガウス過程を用いたグラフ凝縮法(GCGP)を提案する。
論文参考訳（メタデータ） (2025-01-05T14:43:07Z)
A Quantum Genetic Algorithm Framework for the MaxCut Problem [49.59986385400411]
提案手法では,Groverをベースとした進化的枠組みと分割・分散原理を用いた量子遺伝的アルゴリズム(QGA)を提案する。完全グラフ上では、提案手法は真に最適なMaxCut値を一貫して達成し、セミデフィニティプログラミング(SDP)アプローチより優れている。 ErdHos-R'enyiランダムグラフでは、QGAは競合性能を示し、SDP結果の92-96%で中央値の解が得られる。
論文参考訳（メタデータ） (2025-01-02T05:06:16Z)
$ψ$DAG: Projected Stochastic Approximation Iteration for DAG Structure Learning [6.612096312467342]
Directed A Graphs (DAGs) の構造を学ぶことは、ノード数に応じてスケールする可能なグラフの巨大な検索空間のため、大きな課題となる。近年の進歩は、微分可能指数関数性制約を取り入れた連続最適化タスクとしてこの問題を再定義している。本稿では,SGD(Gradient Descent)に基づく最適化手法と統合した近似手法を用いて,DAGを学習する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2024-10-31T12:13:11Z)
Efficient Semantic Matching with Hypercolumn Correlation [58.92933923647451]
HCCNetは効率的で効果的なセマンティックマッチング手法である。マルチスケール相関写像の完全なポテンシャルを利用する。 4D相関マップ上では、高価なマッチング関係のマイニングに頼っている。
論文参考訳（メタデータ） (2023-11-07T20:40:07Z)
Exploring & Exploiting High-Order Graph Structure for Sparse Knowledge Graph Completion [20.45256490854869]
本稿では,エンティティ間の価値ある長距離依存性を自動的にキャプチャできる新しいフレームワークLR-GCNを提案する。提案手法は、GNNベースの予測器と推論経路蒸留器の2つの主成分からなる。
論文参考訳（メタデータ） (2023-06-29T15:35:34Z)
Optimal Inference in Contextual Stochastic Block Models [0.0]
属性グラフの教師なしコミュニティ検出のために,文脈ブロックモデル (cSBM) を提案した。 cSBMは、半教師付きノード分類のためのグラフニューラルネットワーク(GNN)の性能を評価するための合成データセットとして広く利用されている。本稿では,本アルゴリズムが到達した精度と,本論文で提案したGNNアーキテクチャの性能との間には,かなりのギャップが存在することを示す。
論文参考訳（メタデータ） (2023-06-06T10:02:57Z)
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)
RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
論文参考訳（メタデータ） (2021-01-25T13:31:29Z)
Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-03-04T06:59:56Z)
Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
論文参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。