論文の概要: NePTuNe: Neural Powered Tucker Network for Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2104.07824v1
• Date: Thu, 15 Apr 2021 23:48:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-20 05:43:34.971245
• Title: NePTuNe: Neural Powered Tucker Network for Knowledge Graph Completion
• Title（参考訳）: NePTuNe:知識グラフ補完のためのニューラルネットワークタッカーネットワーク
• Authors: Shashank Sonkar, Arzoo Katiyar and Richard G. Baraniuk
• Abstract要約: 本稿では,深部モデルの表現性と線形モデルの速度とサイズを結合した新しいハイブリッドリンク予測モデルを提案する。 neptuneはfb15k-237データセットの最先端性能とwn18rrデータセットの最先端性能を提供する。
• 参考スコア（独自算出の注目度）: 31.838865331557496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graphs link entities through relations to provide a structured representation of real world facts. However, they are often incomplete, because they are based on only a small fraction of all plausible facts. The task of knowledge graph completion via link prediction aims to overcome this challenge by inferring missing facts represented as links between entities. Current approaches to link prediction leverage tensor factorization and/or deep learning. Factorization methods train and deploy rapidly thanks to their small number of parameters but have limited expressiveness due to their underlying linear methodology. Deep learning methods are more expressive but also computationally expensive and prone to overfitting due to their large number of trainable parameters. We propose Neural Powered Tucker Network (NePTuNe), a new hybrid link prediction model that couples the expressiveness of deep models with the speed and size of linear models. We demonstrate that NePTuNe provides state-of-the-art performance on the FB15K-237 dataset and near state-of-the-art performance on the WN18RR dataset.
• Abstract（参考訳）: 知識グラフは、実世界の事実の構造化表現を提供するために関係を通してエンティティをリンクします。 しかし、それらはしばしば不完全であり、それはすべての可算事実のごく一部に基づいているからである。 リンク予測による知識グラフ補完のタスクは、エンティティ間のリンクとして表される欠落した事実を推測することで、この課題を克服することを目的としている。 リンク予測の現在のアプローチは、テンソル因子化とディープラーニングを活用する。 因子化手法は,少数のパラメータによって急速に訓練・展開するが,基礎となる線形手法により表現力に制限がある。 深層学習法は表現力が高いが、計算コストも高く、訓練可能なパラメータの多さから過度に適合する傾向にある。 線形モデルの速度とサイズとを結合した新しいハイブリッドリンク予測モデルであるニューラルパワータッカーネットワーク(NePTuNe)を提案する。 我々は,NePTuNeがFB15K-237データセットの最先端性能とWN18RRデータセットの最先端性能を提供することを示した。

関連論文リスト

• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• Beyond spectral gap (extended): The role of the topology in decentralized learning [58.48291921602417]
  機械学習モデルのデータ並列最適化では、労働者はモデルの推定値を改善するために協力する。 現在の理論では、コラボレーションはトレーニング単独よりも学習率が大きいことを説明していない。 本稿では,疎結合分散最適化の正確な図面を描くことを目的とする。
  論文  参考訳（メタデータ） (2023-01-05T16:53:38Z)
• Beyond spectral gap: The role of the topology in decentralized learning [58.48291921602417]
  機械学習モデルのデータ並列最適化では、労働者はモデルの推定値を改善するために協力する。 本稿では、労働者が同じデータ分散を共有するとき、疎結合な分散最適化の正確な図面を描くことを目的とする。 我々の理論は深層学習における経験的観察と一致し、異なるグラフトポロジーの相対的メリットを正確に記述する。
  論文  参考訳（メタデータ） (2022-06-07T08:19:06Z)
• Learning Representations of Entities and Relations [0.0]
  この論文は,リンク予測タスクに取り組むことを目的とした知識グラフ表現の改善に焦点を当てている。 最初のコントリビューションはHypERであり、リンク予測性能を単純化し改善する畳み込みモデルである。 第2のコントリビューションは比較的単純な線形モデルであるTuckERで、このモデルが導入された時点では、最先端のリンク予測性能が得られた。 第3の貢献は、双曲空間に埋め込まれた最初のマルチリレーショナルグラフ表現モデルである MuRP である。
  論文  参考訳（メタデータ） (2022-01-31T09:24:43Z)
• How Neural Processes Improve Graph Link Prediction [35.652234989200956]
  リンク予測のためのグラフニューラルネットワークを用いたメタラーニング手法:グラフニューラルネットワークのためのニューラルプロセス(NPGNN)を提案する。 NPGNNは、トランスダクティブな学習タスクとインダクティブな学習タスクの両方を実行し、小さなサブグラフでトレーニングした後、大きな新しいグラフのパターンに適応することができる。
  論文  参考訳（メタデータ） (2021-09-30T07:35:13Z)
• KGRefiner: Knowledge Graph Refinement for Improving Accuracy of Translational Link Prediction Methods [4.726777092009553]
  本稿では,知識グラフの精細化手法を提案する。 これにより知識グラフがより情報的になり、リンク予測操作をより正確に行うことができる。 提案手法は,翻訳リンク予測手法の性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-06-27T13:32:39Z)
• LowFER: Low-rank Bilinear Pooling for Link Prediction [4.110108749051657]
  本稿では,多モーダル学習においてよく用いられる因子化双線形プールモデルを提案する。 我々のモデルは、他のモデルを一般化することが示されている分解タッカーベースのタッカーモデルを自然に一般化する。 実世界のデータセット、パー・オブ・ザ・アーティファクトのパフォーマンスについて評価する。
  論文  参考訳（メタデータ） (2020-08-25T07:33:52Z)
• Learning Reasoning Strategies in End-to-End Differentiable Proving [50.9791149533921]
  条件付き定理プローバーは勾配に基づく最適化により最適規則選択戦略を学習する。 条件付き定理プローサは拡張性があり、CLUTRRデータセット上で最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-13T16:22:14Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
  我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。 グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
  論文  参考訳（メタデータ） (2020-04-06T13:25:46Z)

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。