論文の概要: An Adversarial Transfer Network for Knowledge Representation Learning
- arxiv url: http://arxiv.org/abs/2104.14757v1
- Date: Fri, 30 Apr 2021 05:07:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 13:52:24.185511
- Title: An Adversarial Transfer Network for Knowledge Representation Learning
- Title（参考訳）: 知識表現学習のための逆伝達ネットワーク
- Authors: Huijuan Wang, Shuangyin Li, Rong Pan
- Abstract要約: 本稿では,1つ以上の教師の知識グラフから対象の知識へ知識を伝達する逆埋め込み転送ネットワークATransNを提案する。
具体的には,既存の知識表現学習手法に,アライメントされたエンティティペアと近傍にソフト制約を加える。
- 参考スコア（独自算出の注目度）: 11.013390624382257
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge representation learning has received a lot of attention in the past
few years. The success of existing methods heavily relies on the quality of
knowledge graphs. The entities with few triplets tend to be learned with less
expressive power. Fortunately, there are many knowledge graphs constructed from
various sources, the representations of which could contain much information.
We propose an adversarial embedding transfer network ATransN, which transfers
knowledge from one or more teacher knowledge graphs to a target one through an
aligned entity set without explicit data leakage. Specifically, we add soft
constraints on aligned entity pairs and neighbours to the existing knowledge
representation learning methods. To handle the problem of possible distribution
differences between teacher and target knowledge graphs, we introduce an
adversarial adaption module. The discriminator of this module evaluates the
degree of consistency between the embeddings of an aligned entity pair. The
consistency score is then used as the weights of soft constraints. It is not
necessary to acquire the relations and triplets in teacher knowledge graphs
because we only utilize the entity representations. Knowledge graph completion
results show that ATransN achieves better performance against baselines without
transfer on three datasets, CN3l, WK3l, and DWY100k. The ablation study
demonstrates that ATransN can bring steady and consistent improvement in
different settings. The extension of combining other knowledge graph embedding
algorithms and the extension with three teacher graphs display the promising
generalization of the adversarial transfer network.
- Abstract（参考訳）: 知識表現学習はここ数年、多くの注目を集めてきた。
既存の手法の成功は知識グラフの品質に大きく依存している。
少ない三重項を持つ実体は、表現力の少ないものを学ぶ傾向がある。
幸いにも、さまざまな情報源から構築された知識グラフは数多く存在し、その表現には多くの情報が含まれる可能性がある。
本稿では,教師の知識グラフから対象の知識を,明示的なデータ漏洩を伴わずにアライメントされたエンティティセットを介して伝達する,敵対的埋め込み転送ネットワークatransnを提案する。
具体的には,既存の知識表現学習手法に,アライメントされたエンティティペアと近傍にソフト制約を加える。
教師と目標知識グラフの分布差の問題に対処するために, 対角適応モジュールを導入する。
このモジュールの判別器は、アライメントされたエンティティペアの埋め込みの間の一貫性の度合いを評価する。
その後、一貫性スコアがソフト制約の重みとして使用される。
実体表現のみを利用するため、教師知識グラフにおける関係や三つ子を取得する必要はない。
知識グラフ補完の結果から,ATransNはCN3l,WK3l,DWY100kの3つのデータセットを転送することなく,ベースラインに対してより良い性能が得られることが示された。
アブレーション研究は、ATransNが異なる設定で安定して一貫した改善をもたらすことを示した。
他の知識グラフ埋め込みアルゴリズムと3つの教師グラフの拡張を組み合わせた拡張は、逆転送ネットワークの有望な一般化を表示する。
関連論文リスト
- Inference over Unseen Entities, Relations and Literals on Knowledge Graphs [1.7474352892977463]
知識グラフ埋め込みモデルは、様々な課題に対処するために、トランスダクティブな設定でうまく適用されている。
本稿では、エンティティとリレーションのバイトペアエンコードされたサブワード単位のシーケンスから三重埋め込みを構築するための注意的バイトペアエンコーディング層(BytE)を提案する。
BytEは、知識グラフの埋め込みモデルに、エンティティやリレーションではなくサブワード単位の埋め込みを学習させるため、重み付けによる大規模な機能の再利用につながる。
論文 参考訳（メタデータ） (2024-10-09T10:20:54Z) - Graph Relation Distillation for Efficient Biomedical Instance
Segmentation [80.51124447333493]
本稿では,効率的なバイオメディカル・インスタンス・セグメンテーションのためのグラフ関係蒸留手法を提案する。
画像内レベルと画像間レベルの両方に展開する2つのグラフ蒸留方式を導入する。
多くのバイオメディカルデータセットの実験結果から,本手法の有効性が検証された。
論文 参考訳（メタデータ） (2024-01-12T04:41:23Z) - Incorporating Domain Knowledge Graph into Multimodal Movie Genre
Classification with Self-Supervised Attention and Contrastive Learning [14.729059909487072]
本稿では,これらの課題に対処するために,知識グラフを様々な視点から活用する新しい枠組みを提案する。
本稿では,自己指導型学習に基づく注意割当のための意識教師モジュールを提案する。
最後に、融合特徴の識別能力を高めるために、Genre-Centroid Anchored Contrastive Learningモジュールを提案する。
論文 参考訳（メタデータ） (2023-10-12T04:49:11Z) - End-to-End Learning on Multimodal Knowledge Graphs [0.0]
本稿では,グラフ構造からエンドツーエンドを学習するマルチモーダルメッセージパッシングネットワークを提案する。
我々のモデルは、専用(神経)エンコーダを使用して、5種類のモードに属するノードの特徴の埋め込みを自然に学習する。
この結果から,任意の知識グラフからエンド・ツー・エンドのマルチモーダル学習が可能であることが示唆された。
論文 参考訳（メタデータ） (2023-09-03T13:16:18Z) - KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot
Node Classification [75.95647590619929]
Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。
ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。
ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
論文 参考訳（メタデータ） (2023-08-15T02:38:08Z) - You Only Transfer What You Share: Intersection-Induced Graph Transfer
Learning for Link Prediction [79.15394378571132]
従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。
より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。
この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
論文 参考訳（メタデータ） (2023-02-27T22:56:06Z) - Augmenting Knowledge Transfer across Graphs [16.50013525404218]
本稿では,グラフ間の知識伝達を増強する汎用学習フレームワークであるTransNETを紹介する。
特に、様々なグラフ信号を異なる粒度で自然に定式化できるトリニティ信号という新しい概念を導入する。
TransNETは7つのベンチマークデータセットに対する既存のアプローチを、大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-12-09T08:46:02Z) - Structure-Augmented Text Representation Learning for Efficient Knowledge
Graph Completion [53.31911669146451]
人為的な知識グラフは、様々な自然言語処理タスクに重要な支援情報を提供する。
これらのグラフは通常不完全であり、自動補完を促す。
グラフ埋め込みアプローチ(例えばTransE)は、グラフ要素を密度の高い埋め込みに表現することで構造化された知識を学ぶ。
テキストエンコーディングアプローチ(KG-BERTなど)は、グラフトリプルのテキストとトリプルレベルの文脈化表現を利用する。
論文 参考訳（メタデータ） (2020-04-30T13:50:34Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z) - Generative Adversarial Zero-Shot Relational Learning for Knowledge
Graphs [96.73259297063619]
我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。
新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。
我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
論文 参考訳（メタデータ） (2020-01-08T01:19:08Z)
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。