論文の概要: High-efficiency Euclidean-based Models for Low-dimensional Knowledge Graph Embeddings

• arxiv url: http://arxiv.org/abs/2103.14930v1
• Date: Sat, 27 Mar 2021 15:34:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 15:11:54.016193
• Title: High-efficiency Euclidean-based Models for Low-dimensional Knowledge Graph Embeddings
• Title（参考訳）: 低次元知識グラフ埋め込みのための高効率ユークリッドモデル
• Authors: Kai Wang, Yu Liu, Quan Z. Sheng
• Abstract要約: 我々は2つの軽量ユークリッドモデル、RotLとRot2Lを開発した。 rotlモデルは柔軟な正規化効果を維持しながら双曲演算を単純化する。 リンク予測の実験は、Rot2Lが2つの広く使用されているデータセットで最先端のパフォーマンスを達成することを示しています。
• 参考スコア（独自算出の注目度）: 20.693275018860287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent knowledge graph embedding (KGE) models based on hyperbolic geometry have shown great potential in a low-dimensional embedding space. However, the necessity of hyperbolic space in KGE is still questionable, because the calculation based on hyperbolic geometry is much more complicated than Euclidean operations. In this paper, based on the state-of-the-art hyperbolic-based model RotH, we develop two lightweight Euclidean-based models, called RotL and Rot2L. The RotL model simplifies the hyperbolic operations while keeping the flexible normalization effect. Utilizing a novel two-layer stacked transformation and based on RotL, the Rot2L model obtains an improved representation capability, yet costs fewer parameters and calculations than RotH. The experiments on link prediction show that Rot2L achieves the state-of-the-art performance on two widely-used datasets in low-dimensional knowledge graph embeddings. Furthermore, RotL achieves similar performance as RotH but only requires half of the training time.
• Abstract（参考訳）: 双曲幾何学に基づく最近の知識グラフ埋め込み(KGE)モデルは、低次元の埋め込み空間において大きなポテンシャルを示している。 しかし、双曲幾何学に基づく計算はユークリッド演算よりもはるかに複雑であるため、KGEにおける双曲空間の必要性は疑問視される。 本稿では,最先端のハイパーボリックモデルであるRotHに基づいて,RotLとRot2Lという2つの軽量ユークリッドモデルを開発する。 RotLモデルは、フレキシブルな正規化効果を維持しながら、双曲演算を単純化する。 新たな2層重ね合わせ変換とRotLをベースとしたRot2Lモデルは、表現能力の向上を図っているが、RotHよりもパラメータや計算コストが低い。 リンク予測実験の結果,Rot2Lは,低次元知識グラフ埋め込みにおいて広く使用されている2つのデータセットに対して,最先端の性能を達成することが示された。 さらに、RotLはRotHと同様のパフォーマンスを達成するが、トレーニング時間の半分しか必要としない。

関連論文リスト

• Fully Hyperbolic Rotation for Knowledge Graph Embedding [12.69417276887153]
  知識グラフの埋め込みのために設計された,新しい完全双曲モデルを提案する。 我々のモデルは、知識グラフにおける各関係を、ヘッドエンティティからテールエンティティへのローレンツ回転とみなす。 我々のモデルはより少ないパラメータで競合する結果を得る。
  論文  参考訳（メタデータ） (2024-11-06T02:41:26Z)
• Weighted Embeddings for Low-Dimensional Graph Representation [0.13499500088995461]
  グラフを重み付き空間に埋め込むことを提案し、これは双曲幾何学と密接に関連しているが数学的には単純である。 重み付き埋め込みは、より少ない次元を使いながら、異質グラフに対する最先端のユークリッド埋め込みを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2024-10-08T13:41:03Z)
• Hyperbolic vs Euclidean Embeddings in Few-Shot Learning: Two Sides of the Same Coin [49.12496652756007]
  この結果から, 共通の双曲半径での双曲埋め込みが達成できることが示唆された。 従来のベンチマーク結果とは対照的に、ユークリッド計量を備えた固定半径エンコーダにより、より良い性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-09-18T14:51:46Z)
• Complex Hyperbolic Knowledge Graph Embeddings with Fast Fourier Transform [29.205221688430733]
  知識グラフ(KG)埋め込みのための幾何学的空間の選択は、KG完了タスクの性能に大きな影響を与える。 複雑な双曲型幾何学の最近の研究は、様々な階層構造を捉えるための双曲型埋め込みをさらに改善した。 本稿では,マルチリレーショナルKG埋め込みにおける複素双曲幾何学の表現能力を活用することを目的とする。
  論文  参考訳（メタデータ） (2022-11-07T15:46:00Z)
• E-Graph: Minimal Solution for Rigid Rotation with Extensibility Graphs [61.552125054227595]
  重なり合う領域を持たない2つの画像間の相対的な回転推定を解くために,新しい最小解を提案する。 E-Graphに基づいて、回転推定問題はより単純でエレガントになる。 回転推定戦略を6-DoFカメラのポーズと高密度3Dメッシュモデルを得る完全カメラ追跡マッピングシステムに組み込む。
  論文  参考訳（メタデータ） (2022-07-20T16:11:48Z)
• Enhancing Hyperbolic Graph Embeddings via Contrastive Learning [7.901082408569372]
  複数の双曲空間を通してノード表現を学習する新しいハイパーボリックグラフコントラスト学習(HGCL)フレームワークを提案する。 複数の実世界のデータセットに対する実験結果は、提案したHGCLの優位性を示している。
  論文  参考訳（メタデータ） (2022-01-21T06:10:05Z)
• RGB-D Saliency Detection via Cascaded Mutual Information Minimization [122.8879596830581]
  既存のRGB-Dサリエンシ検出モデルは、RGBと深さを効果的にマルチモーダル学習を実現するために明示的に奨励するものではない。 本稿では,RGB画像と深度データ間のマルチモーダル情報を「明示的」にモデル化するために,相互情報最小化による新しい多段階学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-15T12:31:27Z)
• Fully Hyperbolic Neural Networks [63.22521652077353]
  ローレンツモデルに基づく双曲型ネットワークを構築するための,完全双曲型フレームワークを提案する。 提案手法は,浅層ネットワークと深層ネットワークの両方を構築する上で,優れた性能を示す。
  論文  参考訳（メタデータ） (2021-05-31T03:36:49Z)
• Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
  我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。 本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。 特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
  論文  参考訳（メタデータ） (2021-04-06T01:44:15Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

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。