Fugu-MT 論文翻訳(概要): On-Demand and Lightweight Knowledge Graph Generation -- a Demonstration with DBpedia

論文の概要: On-Demand and Lightweight Knowledge Graph Generation -- a Demonstration with DBpedia

arxiv url: http://arxiv.org/abs/2107.00873v1
Date: Fri, 2 Jul 2021 07:15:27 GMT
ステータス: 処理完了
システム内更新日: 2021-07-06 00:32:58.225006
Title: On-Demand and Lightweight Knowledge Graph Generation -- a Demonstration with DBpedia
Title（参考訳）: オンデマンドで軽量な知識グラフ生成 - DBpediaによるデモ
Authors: Malte Brockmeier, Yawen Liu, Sunita Pateer, Sven Hertling and Heiko Paulheim
Abstract要約: 本稿では,DBpedia on Demand(DBpedia on Demand)という,DBpediaのリソースをオンデマンドで提供するシステムについて紹介する。
参考スコア（独自算出の注目度）: 1.5749416770494706
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Modern large-scale knowledge graphs, such as DBpedia, are datasets which require large computational resources to serve and process. Moreover, they often have longer release cycles, which leads to outdated information in those graphs. In this paper, we present DBpedia on Demand -- a system which serves DBpedia resources on demand without the need to materialize and store the entire graph, and which even provides limited querying functionality.
Abstract（参考訳）: 現代のDBpediaのような大規模知識グラフは、処理と処理に大量の計算リソースを必要とするデータセットである。さらに、リリースサイクルが長い場合が多いため、これらのグラフには時代遅れの情報が残されている。本稿では,DBpedia on Demand(DBpedia on Demand)を提案する。DBpediaのリソースを,グラフ全体の実体化や保存を必要とせずにオンデマンドで提供するシステムで,クエリ機能にも制限がある。

関連論文リスト

Graph Neural Networks on Graph Databases [0.0]
本稿では,最小限のデータをメモリに格納し,クエリエンジンを用いてサンプリングすることにより,グラフDB上でGNNを直接トレーニングする方法を示す。我々のアプローチでは、GNNのスケーリングの新しい方法と、グラフDBの新しいアプリケーション領域が開きます。
論文参考訳（メタデータ） (2024-11-18T08:39:24Z)
Federated Neural Graph Databases [53.03085605769093]
プライバシを保ちながらマルチソースグラフベースのデータの推論を可能にする新しいフレームワークであるFederated Neural Graph Database (FedNGDB)を提案する。既存の方法とは異なり、FedNGDBは複雑なグラフ構造と関係を扱うことができ、様々な下流タスクに適合する。
論文参考訳（メタデータ） (2024-02-22T14:57:44Z)
Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases [63.96793270418793]
複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。ニューラルグラフデータベース(NGDB)の概念を紹介する。 NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
論文参考訳（メタデータ） (2023-03-26T04:03:37Z)
Hardware-agnostic Computation for Large-scale Knowledge Graph Embeddings [1.1650381752104297]
ハードウェアに依存しない大規模知識グラフの埋め込みを計算するためのフレームワークを開発する。当社のフレームワークのオープンソースバージョンと,11.4B以上のパラメータを持つ事前トレーニング済みモデルのハブを提供しています。
論文参考訳（メタデータ） (2022-07-18T12:10:27Z)
Scaling R-GCN Training with Graph Summarization [71.06855946732296]
リレーショナルグラフ畳み込みネットワーク(R-GCN)のトレーニングは、グラフのサイズに合わない。本研究では,グラフの要約手法を用いてグラフを圧縮する実験を行った。 AIFB, MUTAG, AMデータセットについて妥当な結果を得た。
論文参考訳（メタデータ） (2022-03-05T00:28:43Z)
Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
論文参考訳（メタデータ） (2022-02-28T15:08:48Z)
Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。 DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
論文参考訳（メタデータ） (2022-02-16T18:30:33Z)
Updating Embeddings for Dynamic Knowledge Graphs [0.9883261192383611]
完全再トレーニングを必要としない埋め込み更新について検討し、実知識グラフ上の各種埋め込みモデルと組み合わせて評価する。従来の埋め込みのトレーニングを継続し、追加および削除部分のみを最適化するエポックとインターリーブすると、リンク予測に使用される典型的なメトリクスの点から良い結果が得られる。
論文参考訳（メタデータ） (2021-09-22T17:58:47Z)
Scene Graph Modification Based on Natural Language Commands [90.0662899539489]
グラフやパースツリーのような構造化表現は多くの自然言語処理システムにおいて重要な役割を果たす。本稿では,新しい利用者の指示に応じて既存のグラフの更新方法を学ぶ必要がある,グラフ修正の新たな課題について考察する。
論文参考訳（メタデータ） (2020-10-06T10:01:19Z)
RDF2Vec Light -- A Lightweight Approach for Knowledge Graph Embeddings [1.9981375888949477]
本稿では,RDF2Vecをベースとした軽量な埋め込み手法であるRDF2Vecについて述べる。本手法では,そのような埋め込みがこれまで不可能であったシナリオに,非常に大きな知識グラフの埋め込みを適用することができる。
論文参考訳（メタデータ） (2020-09-16T12:58:31Z)

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。