論文の概要: AutoSF+: Towards Automatic Scoring Function Design for Knowledge Graph Embedding

• arxiv url: http://arxiv.org/abs/2107.00184v1
• Date: Thu, 1 Jul 2021 02:28:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-02 13:48:16.950691
• Title: AutoSF+: Towards Automatic Scoring Function Design for Knowledge Graph Embedding
• Title（参考訳）: AutoSF+:知識グラフ埋め込みのための自動スコーリング機能設計を目指して
• Authors: Yongqi Zhang and Zhanke Zhou and Quanming Yao
• Abstract要約: AutoSFは、KG依存のスコアリング機能の設計に自動機械学習(AutoML)を使用することの重要性を示している。 本稿では,AutoSF の拡張として AutoSF+ を提案する。まず,進化的探索による探索アルゴリズムの改良を行い,探索空間をよりよく探索する。 第2に、最近開発されたベンチマークOGB上でAutoSF+を評価する。さらに、新しいタスク、すなわちエンティティ分類にAutoSF+を適用し、KG完了以上のタスクを改善することができることを示す。
• 参考スコア（独自算出の注目度）: 34.329599831817696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scoring functions, which measure the plausibility of triples, have become the crux of knowledge graph embedding (KGE). Plenty of scoring functions, targeting at capturing different kinds of relations in KGs, have been designed by experts in recent years. However, as relations can exhibit intricate patterns that are hard to infer before training, none of them can consistently perform the best on existing benchmark tasks. AutoSF has shown the significance of using automated machine learning (AutoML) to design KG- dependent scoring functions. In this paper, we propose AutoSF+ as an extension of AutoSF. First, we improve the search algorithm with the evolutionary search, which can better explore the search space. Second, we evaluate AutoSF+ on the recently developed benchmark OGB. Besides, we apply AutoSF+ to the new task, i.e., entity classification, to show that it can improve the task beyond KG completion.
• Abstract（参考訳）: 三重項の可算性を測定するスコアリング関数は、知識グラフ埋め込み(kge)の頂点となっている。 KGの様々な種類の関係を捉えるためのスコアリング機能は、近年専門家によって設計されている。 しかしながら、関係性はトレーニング前に推論するのが難しい複雑なパターンを示すことができるため、既存のベンチマークタスクで常にベストを尽くすことはできない。 AutoSFは、KG依存スコアリング関数の設計に自動機械学習(AutoML)を使用することの重要性を示している。 本稿では,AutoSFの拡張としてAutoSF+を提案する。 まず,進化的探索により検索アルゴリズムを改良し,検索空間をより深く探索する。 次に、最近開発されたベンチマークOGBでAutoSF+を評価した。 さらに、新しいタスク、すなわちエンティティ分類にAutoSF+を適用して、KG完了以上のタスクを改善することができることを示す。

関連論文リスト

• AutoAct: Automatic Agent Learning from Scratch for QA via Self-Planning [54.47116888545878]
  AutoActはQAのための自動エージェント学習フレームワークである。 大規模アノテートデータやクローズドソースモデルからの合成計画軌道は依存していない。
  論文  参考訳（メタデータ） (2024-01-10T16:57:24Z)
• AutoTransfer: AutoML with Knowledge Transfer -- An Application to Graph Neural Networks [75.11008617118908]
  AutoML技術は、各タスクをスクラッチから独立して考慮し、高い計算コストをもたらす。 本稿では,従来の設計知識を新たな関心事に伝達することで,検索効率を向上させるAutoTransferを提案する。
  論文  参考訳（メタデータ） (2023-03-14T07:23:16Z)
• GANDALF: Gated Adaptive Network for Deep Automated Learning of Features [0.0]
  GANDALF (Deep Automated Learning of Features) のためのGated Adaptive Network GANDALF は Gated Feature Learning Unit (GFLU) と呼ばれるゲーティング機構を備えた新しい表処理ユニットに依存している。 我々は、GANDALFがXGBoost、SAINT、FT-TransformersなどのSOTAアプローチより優れているか、劣っていることを実証する。
  論文  参考訳（メタデータ） (2022-07-18T12:12:24Z)
• AutoTS: Automatic Time Series Forecasting Model Design Based on Two-Stage Pruning [15.924327320619728]
  時系列データシナリオに適した予測モデルを効率的に設計することを目的とした自動時系列予測(TSF)モデル設計は、緊急に解決すべき新しい研究トピックである。 本稿では,既存の設計スキルと設計効率のよい探索手法を活用して,この問題を効果的に解決するAutoTSアルゴリズムを提案する。 既存のニューラルアーキテクチャ検索アルゴリズムよりも効率的で、手作業で設計したものよりも迅速に強力なTSFモデルを設計することができる。
  論文  参考訳（メタデータ） (2022-03-26T23:26:27Z)
• AutoGEL: An Automated Graph Neural Network with Explicit Link Information [7.525545233605658]
  本稿では,リンク情報を明示的にモデル化する新しいAutoGNNについて述べる。 このようにして、AutoGELはリンク予測タスクを処理でき、ノード分類およびグラフ分類タスクにおけるAutoGNNの性能を向上させることができる。
  論文  参考訳（メタデータ） (2021-12-02T09:09:18Z)
• DAAS: Differentiable Architecture and Augmentation Policy Search [107.53318939844422]
  この研究は、ニューラルネットワークとデータ拡張のカップリングの可能性を検討し、それらを共同で検索する効果的なアルゴリズムを提案する。 CIFAR-10では97.91%、ImageNetデータセットでは76.6%の精度で97.91%の精度を達成し、検索アルゴリズムの優れた性能を示している。
  論文  参考訳（メタデータ） (2021-09-30T17:15:17Z)
• AutoGL: A Library for Automated Graph Learning [67.63587865669372]
  グラフ上での機械学習を自動化するための,最初の専用ライブラリであるAutomated Graph Learning(AutoGL)を紹介する。 AutoGLはオープンソースで、使いやすく、拡張も柔軟です。 また、パイプラインのカスタマイズとアプリケーションの強化を容易にする、AutoGLの軽量バージョンであるAutoGL-lightも紹介します。
  論文  参考訳（メタデータ） (2021-04-11T10:49:23Z)
• AutoFIS: Automatic Feature Interaction Selection in Factorization Models for Click-Through Rate Prediction [75.16836697734995]
  自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。 AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。 AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
  論文  参考訳（メタデータ） (2020-03-25T06:53:54Z)

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。