論文の概要: Relational Learning with Gated and Attentive Neighbor Aggregator for Few-Shot Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2104.13095v1
• Date: Tue, 27 Apr 2021 10:38:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-28 13:38:44.314806
• Title: Relational Learning with Gated and Attentive Neighbor Aggregator for Few-Shot Knowledge Graph Completion
• Title（参考訳）: Few-Shotナレッジグラフ補完のためのGated and Attentive Neighbor Aggregatorを用いた関係学習
• Authors: Guanglin Niu, Yang Li, Chengguang Tang, Ruiying Geng, Jian Dai, Qiao Liu, Hao Wang, Jian Sun, Fei Huang, Luo Si
• Abstract要約: 上記の問題に対処するために,グローバルローカルフレームワークを用いた数ショットのリレーショナル学習を提案する。 局所的な段階では、メタ学習に基づくTransH法は複雑な関係をモデル化し、数ショットの学習方式でモデルを訓練するように設計されている。 私たちのモデルは、NELL-Oneで8.0%、Wiki-Oneで2.8%のメトリクスHits@10による5ショットFKGCパフォーマンスの改善を達成しています。
• 参考スコア（独自算出の注目度）: 33.59045268013895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aiming at expanding few-shot relations' coverage in knowledge graphs (KGs), few-shot knowledge graph completion (FKGC) has recently gained more research interests. Some existing models employ a few-shot relation's multi-hop neighbor information to enhance its semantic representation. However, noise neighbor information might be amplified when the neighborhood is excessively sparse and no neighbor is available to represent the few-shot relation. Moreover, modeling and inferring complex relations of one-to-many (1-N), many-to-one (N-1), and many-to-many (N-N) by previous knowledge graph completion approaches requires high model complexity and a large amount of training instances. Thus, inferring complex relations in the few-shot scenario is difficult for FKGC models due to limited training instances. In this paper, we propose a few-shot relational learning with global-local framework to address the above issues. At the global stage, a novel gated and attentive neighbor aggregator is built for accurately integrating the semantics of a few-shot relation's neighborhood, which helps filtering the noise neighbors even if a KG contains extremely sparse neighborhoods. For the local stage, a meta-learning based TransH (MTransH) method is designed to model complex relations and train our model in a few-shot learning fashion. Extensive experiments show that our model outperforms the state-of-the-art FKGC approaches on the frequently-used benchmark datasets NELL-One and Wiki-One. Compared with the strong baseline model MetaR, our model achieves 5-shot FKGC performance improvements of 8.0% on NELL-One and 2.8% on Wiki-One by the metric Hits@10.
• Abstract（参考訳）: 知識グラフ(KGs)における少数ショット関係のカバレッジの拡大を目指して、FKGCは近年、より多くの研究関心を集めている。 既存のモデルでは、数ショット関係のマルチホップ隣接情報を用いて意味表現を強化している。 しかし、ノイズ隣接情報は、近隣が過度にスパースであり、少数ショットの関係を表す隣人がいない場合に増幅される可能性がある。 さらに、前回の知識グラフ補完アプローチによるone-to-many (1-n), many-to-one (n-1), many-to-many (n-n)の複雑な関係のモデリングと推論には、高いモデルの複雑さと大量のトレーニングインスタンスが必要である。 したがって、FKGCモデルでは、限られた訓練インスタンスのため、数ショットシナリオで複雑な関係を推測することは困難である。 本稿では,これらの課題に対処するために,グローバルローカルフレームワークを用いた数ショットのリレーショナル学習を提案する。 グローバルな段階では,KG が極端に疎い近傍を含む場合でも,近辺の雑音をフィルタリングするのに有効な,数ショット関係の近傍のセマンティクスを正確に統合する新規な係留隣人アグリゲータが構築されている。 局所的な段階では,メタラーニングに基づくTransH(MTransH)法は複雑な関係をモデル化し,数ショットの学習方式でモデルを訓練するように設計されている。 NELL-One と Wiki-One が頻繁に使用されるベンチマークデータセットに対して,我々のモデルは最先端の FKGC アプローチよりも優れていることを示す。 強力なベースラインモデルであるMetaRと比較して,NELL-Oneでは8.0%,Wiki-Oneでは2.8%の5ショットFKGC性能向上を実現している。

関連論文リスト

• ReasoningLM: Enabling Structural Subgraph Reasoning in Pre-trained Language Models for Question Answering over Knowledge Graph [142.42275983201978]
  本稿では,構造化推論を行うためのGNNを模倣するサブグラフ認識型自己認識機構を提案する。 また、モデルパラメータを2万のサブグラフで合成した質問に適応するための適応チューニング戦略も採用する。 実験により、ReasoningLMは、更新されたパラメータが少なく、トレーニングデータが少ない場合でも、最先端のモデルを大きなマージンで上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-30T07:18:54Z)
• RelBERT: Embedding Relations with Language Models [29.528217625083546]
  比較的小さな言語モデルから関係埋め込みを抽出する。 RelBERTは驚くほど微細な方法でリレーショナル類似性をキャプチャする。 トレーニング中にモデルが見た以上の関係をモデル化することが可能です。
  論文  参考訳（メタデータ） (2023-09-30T08:15:36Z)
• A RelEntLess Benchmark for Modelling Graded Relations between Named Entities [29.528217625083546]
  我々は,与えられた次数関係をどの程度満たすかに応じて,エンティティペアをランク付けしなければならない新しいベンチマークを導入する。 モデルのサイズと性能の間には強い相関関係があり、より小さな言語モデルでは単純なベースラインを上回りません。 最大のFlan-T5およびOPTモデルの結果は極めて強いが、人間のパフォーマンスとの明確なギャップは残る。
  論文  参考訳（メタデータ） (2023-05-24T10:41:24Z)
• 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)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)
• Hierarchical Relational Learning for Few-Shot Knowledge Graph Completion [25.905974480733562]
  数ショットのKG完了のための階層的関係学習法(HiRe)を提案する。 3つのレベルの関係情報を共同で取得することで、HiReは、少数の関係のメタ表現を効果的に学習し、洗練することができる。 2つのベンチマークデータセットの実験は、HiReの他の最先端メソッドに対する優位性を検証する。
  論文  参考訳（メタデータ） (2022-09-02T17:57:03Z)
• RMNA: A Neighbor Aggregation-Based Knowledge Graph Representation Learning Model Using Rule Mining [9.702290899930608]
  隣り合う集約型表現学習(NARL)モデルを提案し、エンティティの隣人の情報をその埋め込みにエンコードする。 ルールマイニングアルゴリズムを用いてホルンルールを抽出・フィルタリングし,選択したホルンルールを用いて貴重なマルチホップ隣人からワンホップ隣人への変換を行う,RMNAというNARLモデルを提案する。
  論文  参考訳（メタデータ） (2021-11-01T02:08:26Z)
• Integrating Semantics and Neighborhood Information with Graph-Driven Generative Models for Document Retrieval [51.823187647843945]
  本稿では,周辺情報をグラフ誘導ガウス分布でエンコードし,その2種類の情報をグラフ駆動生成モデルと統合することを提案する。 この近似の下では、トレーニング対象がシングルトンまたはペアワイズ文書のみを含む用語に分解可能であることを証明し、モデルが非関連文書と同じくらい効率的にトレーニングできることを示す。
  論文  参考訳（メタデータ） (2021-05-27T11:29:03Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• A Frustratingly Easy Approach for Entity and Relation Extraction [25.797992240847833]
  本稿では,エンティティと関係抽出のための簡単なパイプライン化手法を提案する。 標準ベンチマーク(ACE04、ACE05、SciERC)における新しい最先端技術を確立する。 このアプローチは基本的に2つの独立したエンコーダ上に構築され、単にエンティティモデルを使用して関係モデルの入力を構築します。
  論文  参考訳（メタデータ） (2020-10-24T07:14:01Z)
• A Simple Approach to Case-Based Reasoning in Knowledge Bases [56.661396189466664]
  我々は,古典人工知能(AI)におけるケースベース推論を想起させる,アンフノトレーニングを必要とする知識グラフ(KG)における推論に対する驚くほど単純かつ正確なアプローチを提案する。 ソースエンティティとバイナリ関係が与えられたターゲットエンティティを見つけるタスクを考えてみましょう。 我々の非パラメトリックなアプローチは、与えられた関係を通して類似したソースエンティティを接続する複数のテキストトグラフパスパターンを見つけることによって、クエリ毎にクレープな論理ルールを導出します。
  論文  参考訳（メタデータ） (2020-06-25T06:28:09Z)

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。