論文の概要: HYPER^2: Hyperbolic Poincare Embedding for Hyper-Relational Link Prediction

• arxiv url: http://arxiv.org/abs/2104.09871v1
• Date: Tue, 20 Apr 2021 10:06:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-21 13:43:40.220255
• Title: HYPER^2: Hyperbolic Poincare Embedding for Hyper-Relational Link Prediction
• Title（参考訳）: HYPER^2: Hyper-Relational Link Prediction のためのハイパーボリック・ポインケア・エンベディング
• Authors: Shiyao Yan, Zequn Zhang, Xian Sun, Guangluan Xu, Li Jin and Shuchao Li
• Abstract要約: 本稿では,n-ary事実全体を表現し,n-ary事実の完全性を同時に維持し,主三重項が果たす重要な役割を維持する。 我々は,空間上の情報集約を通じて,トリプル内外のエンティティ間のインタラクションをキャプチャするhyper2を提案する。 HYPER2は、翻訳と深いアナログの優れた性能を実現し、SOTAを比較的少ない寸法で最大34.5%向上させる実験です。
• 参考スコア（独自算出の注目度）: 7.186692970405447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Link Prediction, addressing the issue of completing KGs with missing facts, has been broadly studied. However, less light is shed on the ubiquitous hyper-relational KGs. Most existing hyper-relational KG embedding models still tear an n-ary fact into smaller tuples, neglecting the indecomposability of some n-ary facts. While other frameworks work for certain arity facts only or ignore the significance of primary triple. In this paper, we represent an n-ary fact as a whole, simultaneously keeping the integrity of n-ary fact and maintaining the vital role that the primary triple plays. In addition, we generalize hyperbolic Poincar\'e embedding from binary to arbitrary arity data, which has not been studied yet. To tackle the weak expressiveness and high complexity issue, we propose HYPER^2 which is qualified for capturing the interaction between entities within and beyond triple through information aggregation on the tangent space. Extensive experiments demonstrate HYPER^2 achieves superior performance to its translational and deep analogues, improving SOTA by up to 34.5\% with relatively few dimensions. Moreover, we study the side effect of literals and we theoretically and experimentally compare the computational complexity of HYPER^2 against several best performing baselines, HYPER^2 is 49-61 times quicker than its counterparts.
• Abstract（参考訳）: 事実を欠いたkgsの完成問題に対処するリンク予測は広く研究されている。 しかし、ユビキタスなハイパーリレーショナルkgsでは光量が少なくなる。 既存のハイパーリレーショナルkg埋め込みモデルのほとんどは、n-ary事実を小さなタプルに分解し、いくつかのn-ary事実の非可逆性を無視している。 他のフレームワークは特定のアリティ事実に対してのみ機能する一方で、プライマリトリプルの重要性を無視する。 本稿では,n-ary事実全体を表現し,n-ary事実の完全性を維持し,主三重項が果たす重要な役割を維持する。 さらに、双対データから任意のアリティデータへの双曲型ポインカー埋め込みを一般化するが、まだ研究されていない。 弱い表現性と複雑性の問題に取り組むため,我々は,接空間上の情報集約により,三重項内およびそれ以上の実体間の相互作用を捉えることができるハイパー^2を提案する。 HYPER^2はその翻訳や深部アナログよりも優れた性能を示し、SOTAを比較的少ない次元で最大34.5\%向上させる。 さらに、リテラルの副作用について検討し、理論的・実験的にHYPER^2の計算複雑性をいくつかの最高の性能ベースラインと比較した。

関連論文リスト

• HyperMono: A Monotonicity-aware Approach to Hyper-Relational Knowledge Representation [27.28214706269035]
  ハイパーリレーショナル・ナレッジグラフ(HKG)では、各事実は属性値の修飾子に関連する主三重からなり、追加の事実知識が表現される。 本稿では,ハイパーリレーショナル知識グラフ補完のためのHyperMonoモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T15:00:17Z)
• Disentangled Representation Learning with Transmitted Information Bottleneck [57.22757813140418]
  textbfDisTIB (textbfTransmitted textbfInformation textbfBottleneck for textbfDisd representation learning) は情報圧縮と保存のバランスを保った新しい目的である。
  論文  参考訳（メタデータ） (2023-11-03T03:18:40Z)
• 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)
• Shrinking Embeddings for Hyper-Relational Knowledge Graphs [42.23862602535092]
  本稿では,これらのパターンを明示的にモデル化することを目的とした幾何学的ハイパーリレーショナルKG埋め込み手法であるemphShrinkEを提案する。 実験の結果、ShrinkEは3つのハイパーリレーショナルKGのベンチマークで優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-03T21:14:59Z)
• Few-shot Link Prediction on N-ary Facts [70.8150181683017]
  ハイパーリレーショナル・ファクト(LPHFs)のリンク予測は、ハイパーリレーショナル・事実の欠落要素を予測することである。 Few-Shot Link Prediction on Hyper-Relational Facts (PHFs) は、サポートインスタンスが限定されたハイパーリレーショナルな事実において、欠落したエンティティを予測することを目的としている。
  論文  参考訳（メタデータ） (2023-05-10T12:44:00Z)
• A Dataset for Hyper-Relational Extraction and a Cube-Filling Approach [59.89749342550104]
  本稿では,テキストからより具体的で完全な事実を抽出するハイパーリレーショナル抽出の課題を提案する。 既存のモデルは、3つの実体間の相互作用を考えるモデルを必要とするため、ハイパーリレーショナル抽出を行うことはできない。 テーブル充填手法に着想を得た立方体充填モデルであるCubeREを提案する。
  論文  参考訳（メタデータ） (2022-11-18T03:51:28Z)
• HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization [52.369435664689995]
  HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。 具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。 提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
  論文  参考訳（メタデータ） (2022-04-18T06:11:44Z)
• Improving Inductive Link Prediction Using Hyper-Relational Facts [15.820005235333882]
  グラフニューラルネットワークを用いた半帰納的および完全帰納的リンク予測タスクにおいて, ハイパーリレーショナルなKGを用いることの利点について検討する。 実験により, 入力エッジ上の等化器は, 絶対ゲインの6%の性能向上につながることが示された。
  論文  参考訳（メタデータ） (2021-07-10T19:16:03Z)
• Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
  我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。 各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。 実験結果は,提案手法の有効性と有用性を検証した。
  論文  参考訳（メタデータ） (2021-04-21T09:06:54Z)

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。