論文の概要: LightCAKE: A Lightweight Framework for Context-Aware Knowledge Graph Embedding

• arxiv url: http://arxiv.org/abs/2102.10826v1
• Date: Mon, 22 Feb 2021 08:23:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-23 15:27:38.253878
• Title: LightCAKE: A Lightweight Framework for Context-Aware Knowledge Graph Embedding
• Title（参考訳）: LightCAKE - コンテキスト対応の知識グラフ埋め込みのための軽量フレームワーク
• Authors: Zhiyuan Ning, Ziyue Qiao, Hao Dong, Yi Du, Yuanchun Zhou
• Abstract要約: コンテキスト対応KGE用にLightCAKEという軽量フレームワークを提案する。 LightCAKEは、繰り返し集約戦略を使用して、マルチホップのコンテキスト情報をエンティティ/リレーション埋め込みに統合します。 公開ベンチマーク実験では,フレームワークの効率性と有効性が実証された。
• 参考スコア（独自算出の注目度）: 3.7497588668920048
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For knowledge graphs, knowledge graph embedding (KGE) models learn to project the symbolic entities and relations into a low-dimensional continuous vector space based on the observed triplets. However, existing KGE models can not make a proper trade-off between the graph context and the model complexity, which makes them still far from satisfactory. In this paper, we propose a lightweight framework named LightCAKE for context-aware KGE. LightCAKE uses an iterative aggregation strategy to integrate the context information in multi-hop into the entity/relation embeddings, also explicitly models the graph context without introducing extra trainable parameters other than embeddings. Moreover, extensive experiments on public benchmarks demonstrate the efficiency and effectiveness of our framework.
• Abstract（参考訳）: 知識グラフの場合、知識グラフ埋め込み(KGE)モデルは、観測された三重項に基づいて記号的実体と関係を低次元連続ベクトル空間に投影することを学ぶ。 しかし、既存のKGEモデルは、グラフコンテキストとモデルの複雑さとの間に適切なトレードオフを行うことはできません。 本稿では,コンテキスト認識型KGEのための軽量フレームワークLightCAKEを提案する。 LightCAKEは反復アグリゲーション戦略を使用して、マルチホップのコンテキスト情報をエンティティ/リレー埋め込みに統合し、埋め込み以外のトレーニング可能なパラメータを導入することなく、グラフコンテキストを明示的にモデル化します。 さらに、公開ベンチマークに関する広範な実験により、我々のフレームワークの効率性と有効性を示す。

関連論文リスト

• Contextualization Distillation from Large Language Model for Knowledge Graph Completion [51.126166442122546]
  我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。 提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。 多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
  論文  参考訳（メタデータ） (2024-01-28T08:56:49Z)
• A Comprehensive Study on Knowledge Graph Embedding over Relational Patterns Based on Rule Learning [49.09125100268454]
  KGE(Knowledge Graph Embedding)は、KGC(Knowledge Completion Graph)タスクを解決するための効果的なアプローチであることが証明されている。 関係パターンはKGEモデルの性能において重要な要素である。 我々は,KGEモデルの性能を様々な関係パターン上で向上させるトレーニングフリー手法を提案する。
  論文  参考訳（メタデータ） (2023-08-15T17:30:57Z)
• CausE: Towards Causal Knowledge Graph Embedding [13.016173217017597]
  知識グラフ埋め込み(KGE)は、知識グラフ(KG)の連続ベクトル空間への実体と関係を表現することに焦点を当てている。 我々はKGEの新しいパラダイムを因果関係と非絡み込みの文脈で構築する。 本稿では,CausE(Causality Enhanced Knowledge Graph Embedding)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-21T14:25:39Z)
• Improving Knowledge Graph Entity Alignment with Graph Augmentation [11.1094009195297]
  異なる知識グラフ(KG)をまたいだ等価エンティティをリンクするエンティティアライメント(EA)は、知識融合において重要な役割を果たす。 近年、グラフニューラルネットワーク(GNN)は、多くの埋め込みベースのEA手法でうまく適用されている。 グラフの強化により、マージンベースのアライメント学習とコントラッシブなエンティティ表現学習のための2つのグラフビューを作成する。
  論文  参考訳（メタデータ） (2023-04-28T01:22:47Z)
• Knowledge Graph Contrastive Learning Based on Relation-Symmetrical Structure [36.507635518425744]
  関係対称構造に基づく知識グラフコントラスト学習フレームワークKGE-SymCLを提案する。 我々のフレームワークは、KGEモデルの識別能力を高めるために、KGの対称構造情報をマイニングする。
  論文  参考訳（メタデータ） (2022-11-19T16:30:29Z)
• KRACL: Contrastive Learning with Graph Context Modeling for Sparse Knowledge Graph Completion [37.92814873958519]
  知識グラフ埋め込み (KGE) は、エンティティと関係を低次元空間にマッピングすることを目的としており、知識グラフ補完のためのテキストファクト標準となっている。 既存のKGE手法の多くは、知識グラフの頻度が低いエンティティを予測しにくいため、スパーシティの課題に悩まされている。 グラフコンテキストとコントラスト学習を用いて,KGの広がりを緩和する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-08-16T09:17:40Z)
• ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
  ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。 我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
  論文  参考訳（メタデータ） (2022-06-08T23:34:39Z)
• 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)
• DisenE: Disentangling Knowledge Graph Embeddings [33.169388832519]
  DisenEは、非絡み合いの知識グラフの埋め込みを学習するためのエンドツーエンドフレームワークである。 我々は,モデルが与えられた関係に応じて,エンティティ埋め込みの関連コンポーネントに明示的に焦点を絞ることができるように,注意に基づく機構を導入する。
  論文  参考訳（メタデータ） (2020-10-28T03:45:19Z)
• SEEK: Segmented Embedding of Knowledge Graphs [77.5307592941209]
  本稿では,モデル複雑性を増大させることなく,高い競争力を持つ関係表現性を実現する軽量なモデリングフレームワークを提案する。 本フレームワークは,評価関数の設計に重点を置いており,1)十分な特徴相互作用の促進,2)関係の対称性と反対称性の両特性の保存,という2つの重要な特徴を強調している。
  論文  参考訳（メタデータ） (2020-05-02T15:15:50Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。