Fugu-MT 論文翻訳(概要): QuatDE: Dynamic Quaternion Embedding for Knowledge Graph Completion

論文の概要: QuatDE: Dynamic Quaternion Embedding for Knowledge Graph Completion

arxiv url: http://arxiv.org/abs/2105.09002v1
Date: Wed, 19 May 2021 09:10:39 GMT
ステータス: 処理完了
システム内更新日: 2021-05-20 13:53:03.844639
Title: QuatDE: Dynamic Quaternion Embedding for Knowledge Graph Completion
Title（参考訳）: QuatDE:知識グラフ補完のための動的四元数埋め込み
Authors: Haipeng Gao, Kun Yang, Yuxue Yang, Rufai Yusuf Zakari, Jim Wilson Owusu, Ke Qin
Abstract要約: 我々は,様々な関係パターンを明示的に捉えるための動的マッピング戦略を備えた新しいモデルQuatDEを提案する。実験結果から,QuatDEは3つの確立された知識グラフ補完ベンチマークで最先端の性能を達成できた。
参考スコア（独自算出の注目度）: 4.837804582368272
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, knowledge graph completion methods have been extensively studied, in which graph embedding approaches learn low dimensional representations of entities and relations to predict missing facts. Those models usually view the relation vector as a translation (TransE) or rotation (rotatE and QuatE) between entity pairs, enjoying the advantage of simplicity and efficiency. However, QuatE has two main problems: 1) The model to capture the ability of representation and feature interaction between entities and relations are relatively weak because it only relies on the rigorous calculation of three embedding vectors; 2) Although the model can handle various relation patterns including symmetry, anti-symmetry, inversion and composition, but mapping properties of relations are not to be considered, such as one-to-many, many-to-one, and many-to-many. In this paper, we propose a novel model, QuatDE, with a dynamic mapping strategy to explicitly capture a variety of relational patterns, enhancing the feature interaction capability between elements of the triplet. Our model relies on three extra vectors donated as subject transfer vector, object transfer vector and relation transfer vector. The mapping strategy dynamically selects the transition vectors associated with each triplet, used to adjust the point position of the entity embedding vectors in the quaternion space via Hamilton product. Experiment results show QuatDE achieves state-of-the-art performance on three well-established knowledge graph completion benchmarks. In particular, the MR evaluation has relatively increased by 26% on WN18 and 15% on WN18RR, which proves the generalization of QuatDE.
Abstract（参考訳）: 近年,知識グラフ補完法が広範に研究され,グラフ埋め込み手法は実体と関係性の低次元表現を学習し,行方不明な事実を予測する。これらのモデルは通常、関係ベクトルを実体対間の変換(TransE)または回転(rotatEとQuatE)とみなし、単純さと効率の利点を享受する。しかし、クエートには2つの主要な問題がある: 1) 実体と関係の間の表現と特徴の相互作用の能力を捉えるモデルは、3つの埋め込みベクトルの厳密な計算のみに依存するため比較的弱い; 2) モデルは対称性、反対称性、反転、合成といった様々な関係パターンを扱うことができるが、一対一、多対一、多対多といった関係のマッピング特性は考慮されない。本稿では,様々な関係パターンを明示的に捉え,三重項の要素間の特徴相互作用能力を向上するための動的マッピング手法であるQuatDEを提案する。我々のモデルは、対象移動ベクトル、対象移動ベクトル、関係移動ベクトルの3つの余剰ベクトルに依存している。マッピング戦略は、ハミルトン積を介して四元空間内の実体埋め込みベクトルの点位置を調整するために使用される各三重項に関連付けられた遷移ベクトルを動的に選択する。実験結果から,QuatDEは3つの確立された知識グラフ補完ベンチマークで最先端の性能を達成できた。特に、MR評価はWN18では26%、WN18RRでは15%増加しており、QuatDEの一般化が証明されている。

関連論文リスト

GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文参考訳（メタデータ） (2022-12-01T11:49:07Z)
TransHER: Translating Knowledge Graph Embedding with Hyper-Ellipsoidal Restriction [14.636054717485207]
本稿では知識グラフ埋め込みのための新しいスコア関数TransHERを提案する。我々のモデルでは、まずエンティティを2つの別々の超楕円体にマッピングし、その1つについて関係特異的な翻訳を行う。実験結果から,TransHERは最先端のパフォーマンスを実現し,異なる領域やスケールのデータセットに一般化可能であることが示された。
論文参考訳（メタデータ） (2022-04-27T22:49:27Z)
TranS: Transition-based Knowledge Graph Embedding with Synthetic Relation Representation [14.759663752868487]
本稿では,知識グラフ埋め込みのためのトランジションベースの新しい手法TranSを提案する。従来のスコアリングパターンの単一関係ベクトルを合成関係表現に置き換えることで、これらの問題を効果的かつ効率的に解決することができる。大規模知識グラフデータセット ogbl-wikikg2 の実験は、我々のモデルが最先端の結果を達成することを示す。
論文参考訳（メタデータ） (2022-04-18T16:55:25Z)
Duality-Induced Regularizer for Semantic Matching Knowledge Graph Embeddings [70.390286614242]
本稿では, 類似のセマンティクスを持つエンティティの埋め込みを効果的に促進する新しい正規化器(duality-induced RegulArizer (DURA))を提案する。実験により、DURAは、最先端のセマンティックマッチングモデルの性能を一貫して改善することを示した。
論文参考訳（メタデータ） (2022-03-24T09:24:39Z)
Transformer-based Dual Relation Graph for Multi-label Image Recognition [56.12543717723385]
本稿では,トランスフォーマーをベースとしたデュアルリレーショナル学習フレームワークを提案する。相関の2つの側面、すなわち構造関係グラフと意味関係グラフについて検討する。提案手法は,2つのポピュラーなマルチラベル認識ベンチマークにおいて,最先端性を実現する。
論文参考訳（メタデータ） (2021-10-10T07:14:52Z)
Unified Graph Structured Models for Video Understanding [93.72081456202672]
リレーショナル・テンポラル関係を明示的にモデル化するメッセージパッシンググラフニューラルネットワークを提案する。本手法は,シーン内の関連エンティティ間の関係をより効果的にモデル化できることを示す。
論文参考訳（メタデータ） (2021-03-29T14:37:35Z)
PairRE: Knowledge Graph Embeddings via Paired Relation Vectors [24.311361524872257]
関係表現毎にペア化されたベクトルを持つモデルであるPairREを提案する。 3つの重要な関係パターン、対称性/反対称性、逆および合成を符号化することができる。挑戦的なOpen Graphベンチマークの2つのナレッジグラフデータセットに、最先端の新たなデータセットを設定しました。
論文参考訳（メタデータ） (2020-11-07T16:09:03Z)
Improving Aspect-based Sentiment Analysis with Gated Graph Convolutional Networks and Syntax-based Regulation [89.38054401427173]
Aspect-based Sentiment Analysis (ABSA) は、特定の側面に向けて文の感情極性を予測する。依存関係ツリーは、ABSAの最先端のパフォーマンスを生成するために、ディープラーニングモデルに統合することができる。本稿では,この2つの課題を克服するために,グラフに基づく新しいディープラーニングモデルを提案する。
論文参考訳（メタデータ） (2020-10-26T07:36:24Z)
RatE: Relation-Adaptive Translating Embedding for Knowledge Graph Completion [51.64061146389754]
複素空間における新たな重み付き積の上に構築された関係適応変換関数を提案する。次に、関係適応型翻訳埋め込み(RatE)アプローチを示し、各グラフを3倍にスコアする。
論文参考訳（メタデータ） (2020-10-10T01:30:30Z)
DensE: An Enhanced Non-commutative Representation for Knowledge Graph Embedding with Adaptive Semantic Hierarchy [4.607120217372668]
本研究では,関係の複雑な構成パターンをモデル化するための新しい知識グラフ埋め込み手法DensEを開発した。本手法は,SO(3)群に基づく回転作用素と3次元ユークリッド空間におけるスケーリング作用素に各関係を分解する。複数のベンチマーク知識グラフの実験結果から、DensEはリンク予測の欠如に対して現在の最先端モデルよりも優れていた。
論文参考訳（メタデータ） (2020-08-11T06:45:50Z)
LineaRE: Simple but Powerful Knowledge Graph Embedding for Link Prediction [7.0294164380111015]
本研究では,4つの接続パターンと4つのマッピング特性をモデル化可能な新しい埋め込みモデルLineaREを提案する。複数の実世界のデータセットに対する実験結果から、提案したLineaREモデルは、リンク予測タスクのための既存の最先端モデルよりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2020-04-21T14:19:43Z)

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。