論文の概要: HopfE: Knowledge Graph Representation Learning using Inverse Hopf Fibrations

• arxiv url: http://arxiv.org/abs/2108.05774v1
• Date: Thu, 12 Aug 2021 14:34:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-13 20:45:56.944179
• Title: HopfE: Knowledge Graph Representation Learning using Inverse Hopf Fibrations
• Title（参考訳）: HopfE:逆ホップフィブレーションを用いた知識グラフ表現学習
• Authors: Anson Bastos, Kuldeep Singh, Abhishek Nadgeri, Saeedeh Shekarpour, Isaiah Onando Mulang, Johannes Hoffart
• Abstract要約: HopfEは、4次元空間における推論関係の解釈可能性を達成することを目的としている。 まず、3次元ユークリッド空間における構造埋め込みをモデル化し、関係作用素をSO(3)回転と見なす。 次に、3次元空間から4次元超球面への実体埋め込みベクトルを逆ホップフィブレーションを用いてマッピングし、KGオントロジーからの意味情報を埋め込む。
• 参考スコア（独自算出の注目度）: 5.349336278606796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, several Knowledge Graph Embedding (KGE) approaches have been devised to represent entities and relations in dense vector space and employed in downstream tasks such as link prediction. A few KGE techniques address interpretability, i.e., mapping the connectivity patterns of the relations (i.e., symmetric/asymmetric, inverse, and composition) to a geometric interpretation such as rotations. Other approaches model the representations in higher dimensional space such as four-dimensional space (4D) to enhance the ability to infer the connectivity patterns (i.e., expressiveness). However, modeling relation and entity in a 4D space often comes at the cost of interpretability. This paper proposes HopfE, a novel KGE approach aiming to achieve the interpretability of inferred relations in the four-dimensional space. We first model the structural embeddings in 3D Euclidean space and view the relation operator as an SO(3) rotation. Next, we map the entity embedding vector from a 3D space to a 4D hypersphere using the inverse Hopf Fibration, in which we embed the semantic information from the KG ontology. Thus, HopfE considers the structural and semantic properties of the entities without losing expressivity and interpretability. Our empirical results on four well-known benchmarks achieve state-of-the-art performance for the KG completion task.
• Abstract（参考訳）: 近年,高密度ベクトル空間における実体と関係を表現するためにいくつかの知識グラフ埋め込み (KGE) アプローチが考案され,リンク予測などの下流タスクに用いられている。 いくつかのKGE技術は解釈可能性、すなわち関係の接続パターン(対称/非対称、逆、合成)を回転のような幾何学的解釈にマッピングする。 他のアプローチでは、4次元空間 (4d) のような高次元空間における表現をモデル化し、接続パターン(つまり表現力)を推測する能力を高める。 しかし、4次元空間における関係と実体のモデリングは、しばしば解釈可能性のコストがかかる。 本稿では, 4次元空間における推論関係の解釈可能性の実現を目的とした新しいKGE手法HopfEを提案する。 まず、3次元ユークリッド空間における構造埋め込みをモデル化し、関係作用素をSO(3)回転と見なす。 次に、3次元空間から4次元超球面への実体埋め込みベクトルを逆ホップフィブレーションを用いてマッピングし、KGオントロジーからの意味情報を埋め込む。 したがって、hopfeは表現力や解釈性を失うことなく、エンティティの構造的および意味的性質を考える。 4つのよく知られたベンチマークに対する実験結果は、KG完了タスクの最先端性能を達成する。

関連論文リスト

• Open-Vocabulary Octree-Graph for 3D Scene Understanding [54.11828083068082]
  Octree-Graphはオープンな3Dシーン理解のための新しいシーン表現である。 セマンティクスを記憶し、その形状に応じてオブジェクトの占有度を調節するアダプティブ・オクツリー構造を開発する。
  論文  参考訳（メタデータ） (2024-11-25T10:14:10Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• 3D Rotation and Translation for Hyperbolic Knowledge Graph Embedding [6.453850986936394]
  本研究では,3H-TH(ハイパーボリック空間における3次元回転と変換)と呼ばれる関係パターンを同時に捉える新しいモデルを提案する。 実験結果から, このモデルでは, 低次元空間における既存の最先端モデルよりも精度, 階層性, その他の関係パターンが優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-22T13:17:23Z)
• Geometry Interaction Knowledge Graph Embeddings [153.69745042757066]
  ユークリッド空間,双曲空間,超球空間間の空間構造を対話的に学習する幾何学的相互作用知識グラフ埋め込み(GIE)を提案する。 提案したGIEは、よりリッチなリレーショナル情報、モデルキー推論パターンをキャプチャし、エンティティ間の表現的セマンティックマッチングを可能にする。
  論文  参考訳（メタデータ） (2022-06-24T08:33:43Z)
• ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
  ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。 我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
  論文  参考訳（メタデータ） (2022-06-08T23:34:39Z)
• SpaceE: Knowledge Graph Embedding by Relational Linear Transformation in the Entity Space [29.298981273389217]
  知識グラフでは、異なる実体は同じ実体と関係を持つことがある。 このような非射影的関係パターンは、既存の翻訳距離に基づくKGE法ではうまくモデル化できない。 線形変換として関係をモデル化するために,SpaceEと呼ばれる翻訳距離に基づくKGE手法を提案する。
  論文  参考訳（メタデータ） (2022-04-21T16:26:20Z)
• QuatDE: Dynamic Quaternion Embedding for Knowledge Graph Completion [4.837804582368272]
  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。
  論文  参考訳（メタデータ） (2021-05-19T09:10:39Z)
• Self-supervised Geometric Perception [96.89966337518854]
  自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。 また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-04T15:34:43Z)
• Motif Learning in Knowledge Graphs Using Trajectories Of Differential Equations [14.279419014064047]
  知識グラフ埋め込み(KGE)は、リンク予測タスクで有望なパフォーマンスを示している。 多くのKGEは平坦な幾何学を使い、複雑な構造を保存することができない。 正規微分方程式(ODE)の軌道上にKGのノードを埋め込む神経微分KGEを提案する。
  論文  参考訳（メタデータ） (2020-10-13T20:53:17Z)
• 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)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)

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。