論文の概要: Improving Hyper-Relational Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2104.08167v1
• Date: Fri, 16 Apr 2021 15:26:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-19 14:15:04.967082
• Title: Improving Hyper-Relational Knowledge Graph Completion
• Title（参考訳）: ハイパーリレーショナル知識グラフ補完の改善
• Authors: Donghan Yu and Yiming Yang
• Abstract要約: hyper-relational kgs (hkgs) により、トリプレットはより複雑な情報を伝えるために、追加の関係関係対(a qualifiers)と関連付けることができる。 HKG完了のような予測タスクに対する三重項修飾子関係を効果的かつ効率的にモデル化する方法は、研究にとってオープンな課題である。 本稿では, 2つの新しい改訂点を導入することにより, hkg補完における最善の手法である stare の改良を提案する。
• 参考スコア（独自算出の注目度）: 35.487553537419224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Different from traditional knowledge graphs (KGs) where facts are represented as entity-relation-entity triplets, hyper-relational KGs (HKGs) allow triplets to be associated with additional relation-entity pairs (a.k.a qualifiers) to convey more complex information. How to effectively and efficiently model the triplet-qualifier relationship for prediction tasks such as HKG completion is an open challenge for research. This paper proposes to improve the best-performing method in HKG completion, namely STARE, by introducing two novel revisions: (1) Replacing the computation-heavy graph neural network module with light-weight entity/relation embedding processing techniques for efficiency improvement without sacrificing effectiveness; (2) Adding a qualifier-oriented auxiliary training task for boosting the prediction power of our approach on HKG completion. The proposed approach consistently outperforms STARE in our experiments on three benchmark datasets, with significantly improved computational efficiency.
• Abstract（参考訳）: 事実が実体関係性三重項として表される伝統的な知識グラフ(KGs)とは異なり、超関係性三重項(HKGs)は三重項を付加的な関係性ペア(すなわち等化子)と関連付けてより複雑な情報を伝えることを可能にする。 HKG完了のような予測タスクに対する三重項修飾子関係を効果的かつ効率的にモデル化する方法は、研究にとってオープンな課題である。 本稿では,(1)計算量の多いグラフニューラルネットワークモジュールを軽量なエンティティ/リレーショナル埋め込み処理に置き換え,効果を犠牲にすることなく効率を向上させること,(2)hkg補完における予測能力を高めるための修飾子指向の補助訓練タスクを追加すること,の2つの新しい改訂点を紹介する。 提案手法は3つのベンチマークデータセットでSTAREを一貫して上回り、計算効率は大幅に向上した。

関連論文リスト

• TwinCL: A Twin Graph Contrastive Learning Model for Collaborative Filtering [20.26347686022996]
  本研究では,従来の拡張手法の冗長性を実証し,ランダム拡張の代わりにツインエンコーダを導入する。 提案したTwin Graph Contrastive Learningモデル -- TwinCL -- は、ユーザとアイテムの埋め込みとツインエンコーダからの表現の正のペアを調整する。 理論的解析と実験結果から,提案モデルが推薦精度の向上と学習効率の向上に寄与することが示された。
  論文  参考訳（メタデータ） (2024-09-27T22:31:08Z)
• Towards Effective Top-N Hamming Search via Bipartite Graph Contrastive Hashing [42.6340751096123]
  グラフ畳み込みネットワークを用いた効率的なTop-N探索におけるハッシュ問題について検討する。 両部グラフ受信フィールドの探索にハッシュ手法を取り入れた学習の有効性が示唆された。 モデル性能を向上させるためにBGCH+(Bipartite Graph Contrastive Hashing)を提案する。
  論文  参考訳（メタデータ） (2024-08-17T16:21:32Z)
• A Relation-Interactive Approach for Message Passing in Hyper-relational Knowledge Graphs [0.0]
  本稿では,ReSaEと呼ばれるグローバルな関係構造認識能力を備えたメッセージパス方式のグラフエンコーダを提案する。 実験により、ReSaEは複数のリンク予測ベンチマークで最先端の性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-02-23T06:55:04Z)
• Data Augmentation for Traffic Classification [54.92823760790628]
  Data Augmentation (DA) はコンピュータビジョン(CV)と自然言語処理(NLP)に広く採用されている技術である。 DAはネットワークのコンテキスト、特にトラフィック分類(TC)タスクにおいて、牽引力を得るのに苦労しています。
  論文  参考訳（メタデータ） (2024-01-19T15:25:09Z)
• CONTRASTE: Supervised Contrastive Pre-training With Aspect-based Prompts For Aspect Sentiment Triplet Extraction [13.077459544929598]
  本稿では,ConTRastive Learning を用いた新しい事前学習戦略を提案する。 また,ACOS,TASD,AESCなどの他のABSAタスクに対して提案手法の利点を示す。
  論文  参考訳（メタデータ） (2023-10-24T07:40:09Z)
• 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)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• How Knowledge Graph and Attention Help? A Quantitative Analysis into Bag-level Relation Extraction [66.09605613944201]
  バッグレベルの関係抽出(RE)における注意と知識グラフの効果を定量的に評価する。 その結果,(1)注目精度の向上は,エンティティ参照特徴を抽出するモデルの性能を損なう可能性があること,(2)注目性能は様々なノイズ分布パターンの影響が大きいこと,(3)KG強化された注目はRE性能を向上するが,その効果は注目度を向上させるだけでなく,先行するエンティティを組み込むことによっても改善することがわかった。
  論文  参考訳（メタデータ） (2021-07-26T09:38:28Z)
• Highly Efficient Knowledge Graph Embedding Learning with Orthogonal Procrustes Analysis [10.154836127889487]
  知識グラフ埋め込み(KGE)は、幅広いアプリケーションへの約束のために、近年集中的に研究されています。 本稿では, トレーニング時間と炭素フットプリントを桁違いに削減できる簡易かつ効果的なKGEフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-10T03:55:45Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)

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。