論文の概要: Efficient Relation-aware Scoring Function Search for Knowledge Graph Embedding

• arxiv url: http://arxiv.org/abs/2104.10880v1
• Date: Thu, 22 Apr 2021 06:05:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 14:03:43.019944
• Title: Efficient Relation-aware Scoring Function Search for Knowledge Graph Embedding
• Title（参考訳）: 知識グラフ埋め込みのための効率的な関係認識スコーリング関数探索
• Authors: Shimin Di, Quanming Yao, Yongqi Zhang, Lei Chen
• Abstract要約: タスク対応スコアリング関数を設計するための知識グラフにAutoML技術が導入されている。 しかし、検索されたスコアリング関数の有効性は、まだ所望ほど良くありません。 本稿では,スーパーネットとして空間を符号化し,スーパーネットをワンショットで探索する効率的な代替最小化アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 37.24099392064309
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The scoring function, which measures the plausibility of triplets in knowledge graphs (KGs), is the key to ensure the excellent performance of KG embedding, and its design is also an important problem in the literature. Automated machine learning (AutoML) techniques have recently been introduced into KG to design task-aware scoring functions, which achieve state-of-the-art performance in KG embedding. However, the effectiveness of searched scoring functions is still not as good as desired. In this paper, observing that existing scoring functions can exhibit distinct performance on different semantic patterns, we are motivated to explore such semantics by searching relation-aware scoring functions. But the relation-aware search requires a much larger search space than the previous one. Hence, we propose to encode the space as a supernet and propose an efficient alternative minimization algorithm to search through the supernet in a one-shot manner. Finally, experimental results on benchmark datasets demonstrate that the proposed method can efficiently search relation-aware scoring functions, and achieve better embedding performance than state-of-the-art methods.
• Abstract（参考訳）: 知識グラフ(kgs)における三重項の可算性を測定するスコアリング関数は、kg埋め込みの優れた性能を保証するための鍵であり、その設計は文献における重要な問題でもある。 機械学習(AutoML)技術は、最近KGに導入され、タスク認識スコアリング関数を設計し、KG埋め込みにおける最先端のパフォーマンスを実現する。 しかし、探索されたスコアリング関数の有効性は依然として望ましくない。 本稿では,既存のスコアリング関数が異なる意味パターンで異なるパフォーマンスを示すことを観察し,関係認識スコアリング関数を探索することで,それらの意味を探索する動機付けを行う。 しかし、リレーション・アウェア検索は、前よりはるかに大きな検索空間を必要とする。 そこで我々は,空間をスーパーネットとして符号化し,スーパーネットをワンショットで探索する効率的な代替最小化アルゴリズムを提案する。 最後に, 提案手法は, 評価関数を効率よく探索し, 組込み性能が最先端の手法よりも優れていることを示す。

関連論文リスト

• Retrieval with Learned Similarities [2.729516456192901]
  最先端の検索アルゴリズムは、学習された類似点に移行した。 そこで本研究では,Mixture-of-Logits (MoL) を実証的に実現し,多様な検索シナリオにおいて優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-07-22T08:19:34Z)
• Iterative Feature Boosting for Explainable Speech Emotion Recognition [17.568724398229232]
  本稿では,効率的な特徴工学手法に基づく新しい教師付きSER手法を提案する。 特徴の関連性を評価し,特徴セットを洗練させるために,結果の説明可能性に特に注意を払っている。 提案手法は,TESSデータセット上での感情認識において,ヒトレベルのパフォーマンス(HLP)および最先端の機械学習手法より優れる。
  論文  参考訳（メタデータ） (2024-05-30T15:44:27Z)
• Relation-aware Ensemble Learning for Knowledge Graph Embedding [68.94900786314666]
  我々は,既存の手法を関係性に配慮した方法で活用し,アンサンブルを学習することを提案する。 関係認識アンサンブルを用いてこれらのセマンティクスを探索すると、一般的なアンサンブル法よりもはるかに大きな検索空間が得られる。 本稿では,リレーショナルなアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:40:12Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Unified Functional Hashing in Automatic Machine Learning [58.77232199682271]
  高速に統一された関数型ハッシュを用いることで,大きな効率向上が得られることを示す。 私たちのハッシュは"機能的"であり、表現やコードが異なる場合でも同等の候補を識別します。 ニューラルアーキテクチャ検索やアルゴリズム発見など、複数のAutoMLドメインで劇的な改善がなされている。
  論文  参考訳（メタデータ） (2023-02-10T18:50:37Z)
• Learning Dense Features for Point Cloud Registration Using Graph Attention Network [0.0]
  本稿では,ポイントクラウドマッチングと登録のためのグラフアテンションネットワークを用いて,高密度特徴を効率的かつ経済的に抽出するフレームワークを提案する。 DFGATの検出器は、大規模な生データセットにおいて、信頼性の高いキーポイントを見つける責任がある。 グラフアテンションネットワークは、ポイントクラウド間の関係を強化するアテンションメカニズムを使用している。
  論文  参考訳（メタデータ） (2022-06-14T10:28:57Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• 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。