論文の概要: A shallow neural model for relation prediction

• arxiv url: http://arxiv.org/abs/2101.09090v1
• Date: Fri, 22 Jan 2021 13:10:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-20 17:30:46.424469
• Title: A shallow neural model for relation prediction
• Title（参考訳）: 関係予測のための浅層神経モデル
• Authors: Caglar Demir and Diego Moussallem and Axel-Cyrille Ngonga Ngomo
• Abstract要約: 本稿では,エンティティからの欠落関係を正確に推測する浅層神経モデル(shallom)を提案する。 本実験は、SHALLOMがFB15K-237およびWN18RRデータセットにおける最先端のアプローチを上回っていることを示しています。
• 参考スコア（独自算出の注目度）: 2.2559617939136505
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Knowledge graph completion refers to predicting missing triples. Most approaches achieve this goal by predicting entities, given an entity and a relation. We predict missing triples via the relation prediction. To this end, we frame the relation prediction problem as a multi-label classification problem and propose a shallow neural model (SHALLOM) that accurately infers missing relations from entities. SHALLOM is analogous to C-BOW as both approaches predict a central token (p) given surrounding tokens ((s,o)). Our experiments indicate that SHALLOM outperforms state-of-the-art approaches on the FB15K-237 and WN18RR with margins of up to $3\%$ and $8\%$ (absolute), respectively, while requiring a maximum training time of 8 minutes on these datasets. We ensure the reproducibility of our results by providing an open-source implementation including training and evaluation scripts at {\url{https://github.com/dice-group/ Shallom}.}
• Abstract（参考訳）: 知識グラフ補完は、欠落した三重項を予測することを指す。 ほとんどのアプローチは、与えられたエンティティと関係を予測することによって、この目標を達成する。 我々は関係予測を通じて三重項の欠落を予測する。 そこで本研究では, 関係予測問題を多ラベル分類問題とみなし, 実体間の関係を正確に推定する浅部ニューラルネットワーク(SHALLOM)を提案する。 SHALLOM は C-BOW と類似しており、両方のアプローチは、周囲のトークン (s,o) が与えられた中心トークン (p) を予測する。 実験の結果,SHALLOM は FB15K-237 と WN18RR の最先端のアプローチをそれぞれ 3 %$ と 8 %$ (絶対) のマージンで上回り,これらのデータセットでは最大 8 分間のトレーニング時間を必要とすることがわかった。 我々は、トレーニングと評価スクリプトを含むオープンソース実装を {\url{https://github.com/dice-group/ Shallom} で提供することにより、結果の再現性を確保する。

関連論文リスト

• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Pre and Post Counting for Scalable Statistical-Relational Model Discovery [19.18886406228943]
  統計的関係モデル発見は、関係データに統計的に関連のあるパターンを見つけることを目的としている。 命題的(非リレーショナル)なグラフィカルモデルと同様に、モデル発見における大きなスケーラビリティのボトルネックは、インスタンス数を計算することである。 本稿では,リレーショナル学習における事前集計とポストカウント戦略間のメモリとスピードのトレードオフを詳細に検討する。
  論文  参考訳（メタデータ） (2021-10-19T07:03:35Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• COVID-19 Pneumonia Severity Prediction using Hybrid Convolution-Attention Neural Architectures [6.162410142452926]
  本稿では,調査データセットの極めて少ないデータシナリオを対象とした,データ中心の事前学習を提案する。 次に,TransformerとDense Associative Memoryの自己アテンションを利用した2つのハイブリッド畳み込み型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） (2021-07-06T15:26:07Z)
• Convolutional Hypercomplex Embeddings for Link Prediction [2.6209112069534046]
  本稿では,リンク予測問題に対処するため,QMult,OMult,ConvQ,ConvOを提案する。 QMult、OMult、ConvQ、ConvOは、残留学習フレームワークにインスパイアされた方法で畳み込み操作を含めることで、QMultとOMultの上に構築する。 我々は,WN18RR,FB15K-237,YAGO3-10を含む7つのリンク予測データセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-06-29T10:26:51Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• Out-of-Vocabulary Entities in Link Prediction [1.9036571490366496]
  リンク予測はしばしば、埋め込みの品質を評価するプロキシとして使用される。 ベンチマークはアルゴリズムの公正な比較に欠かせないため、より良いソリューションを開発するための確固たる基盤を提供するため、その品質が確実に確保される。 我々は、そのようなエンティティの発見と削除のためのアプローチの実装を提供し、データセットWN18RR、FB15K-237、YAGO3-10の修正版を提供する。
  論文  参考訳（メタデータ） (2021-05-26T12:58:18Z)
• Three Steps to Multimodal Trajectory Prediction: Modality Clustering, Classification and Synthesis [54.249502356251085]
  我々は新しい予測フレームワークと共に新しい洞察を示す。 提案手法は、社会情報や地図情報を導入することなく、最先端の作品を超える。
  論文  参考訳（メタデータ） (2021-03-14T06:21:03Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• Knowledge Generation -- Variational Bayes on Knowledge Graphs [0.685316573653194]
  この論文は、現実世界の知識グラフの表現に関するVari Auto-Encoder (VAE) の概念実証である。 生成グラフへのアプローチの成功に触発されて,本モデルである変分オートエンコーダ(rgvae)の能力を評価する。 RGVAEはリンク予測に基づいて評価される。 2つのFB15K-237およびWN18RRデータセットの平均相互ランク(MRR)スコアを比較します。 2次実験における潜伏空間について検討する:まず、2つの三重項の潜伏表現の間の線型、そして各三重項の探索
  論文  参考訳（メタデータ） (2021-01-21T21:23:17Z)
• Comprehensive Graph-conditional Similarity Preserving Network for Unsupervised Cross-modal Hashing [97.44152794234405]
  教師なしクロスモーダルハッシュ(UCMH)は近年ホットトピックとなっている。 本稿では,dgcpn(deep graph-neighbor coherence preservation network)を考案する。 DGCPNは3種類のデータ類似性を利用して、損失を保存する包括的な類似性を管理する。
  論文  参考訳（メタデータ） (2020-12-25T07:40:59Z)

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。