論文の概要: BiQUE: Biquaternionic Embeddings of Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2109.14401v1
• Date: Wed, 29 Sep 2021 13:05:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-30 14:53:03.535847
• Title: BiQUE: Biquaternionic Embeddings of Knowledge Graphs
• Title（参考訳）: BiQUE:知識グラフのバイカテニオン埋め込み
• Authors: Jia Guo and Stanley Kok
• Abstract要約: 既存の知識グラフ埋め込み(KGE)は、コンパクトにマルチリレーショナル知識グラフ(KG)を符号化する KGEモデルでは、KGの多元関係を完全にカバーするために、複数の幾何変換を統一することが重要である。 複数の幾何変換を統合するために二元数を用いた新しいモデルであるBiQUEを提案する。
• 参考スコア（独自算出の注目度）: 9.107095800991333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph embeddings (KGEs) compactly encode multi-relational knowledge graphs (KGs). Existing KGE models rely on geometric operations to model relational patterns. Euclidean (circular) rotation is useful for modeling patterns such as symmetry, but cannot represent hierarchical semantics. In contrast, hyperbolic models are effective at modeling hierarchical relations, but do not perform as well on patterns on which circular rotation excels. It is crucial for KGE models to unify multiple geometric transformations so as to fully cover the multifarious relations in KGs. To do so, we propose BiQUE, a novel model that employs biquaternions to integrate multiple geometric transformations, viz., scaling, translation, Euclidean rotation, and hyperbolic rotation. BiQUE makes the best trade-offs among geometric operators during training, picking the best one (or their best combination) for each relation. Experiments on five datasets show BiQUE's effectiveness.
• Abstract（参考訳）: 知識グラフ埋め込み(kges)はマルチリレーショナル知識グラフ(kgs)をコンパクトにエンコードする。 既存のKGEモデルは、関係パターンをモデル化するための幾何学的操作に依存している。 ユークリッド回転は対称性のようなパターンをモデル化するのに有用であるが、階層的意味論を表現できない。 対照的に双曲モデルは階層関係のモデル化に有効であるが、円回転が優れているパターンではうまく機能しない。 KGEモデルでは、KGの多元関係を完全にカバーするために、複数の幾何変換を統一することが重要である。 そこで我々は,双四元数を用いて多元幾何学的変換(viz.,スケーリング,変換,ユークリッド回転,双曲回転)を統合する新しいモデルbiqueを提案する。 BiQUEは、トレーニング中に幾何演算子の間で最良のトレードオフを行い、それぞれの関係に最適なもの(またはそれらの組み合わせ)を選ぶ。 5つのデータセットの実験は、BiQUEの有効性を示している。

関連論文リスト

• R-CoT: Reverse Chain-of-Thought Problem Generation for Geometric Reasoning in Large Multimodal Models [86.06825304372613]
  本稿では,R-CoT(Reverse Chain-of-Thought)幾何問題生成パイプラインを提案する。 まず、GeoChainを導入し、高忠実度幾何画像とそれに対応する記述を生成する。 次に、記述に基づいてステップバイステップの推論を行うReverse A&Q手法を設計し、推論結果から逆の質問を生成する。
  論文  参考訳（メタデータ） (2024-10-23T13:58:39Z)
• Knowledge Graph Embeddings: A Comprehensive Survey on Capturing Relation Properties [5.651919225343915]
  知識グラフ埋め込み(KGE)技術は、記号的知識グラフを数値表現に変換する上で重要な役割を果たしている。 本稿では、一対一、一対多、多対一、多対多といった関係に固有の複素写像特性について述べる。 我々は、KGEにマルチモーダル情報を統合すること、規則付き関係パターンモデリングを強化すること、動的KGE設定における関係特性を捉えるモデルを開発することなど、革新的なアイデアを探求する。
  論文  参考訳（メタデータ） (2024-10-16T08:54:52Z)
• Block-Diagonal Orthogonal Relation and Matrix Entity for Knowledge Graph Embedding [5.463034010805521]
  知識グラフ埋め込み (KGE) は、実体の低次元表現と、行方不明な事実を予測するための関係を学習することである。 我々は,エンティティの行列と関係のブロック対角行列を用いた新しいKGEモデルOrthogonalEを紹介する。 実験結果から,我々の新しいKGEモデルOrthogonalEは汎用的かつ柔軟であり,最先端のKGEモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-01-11T15:13:00Z)
• A Comprehensive Study on Knowledge Graph Embedding over Relational Patterns Based on Rule Learning [49.09125100268454]
  KGE(Knowledge Graph Embedding)は、KGC(Knowledge Completion Graph)タスクを解決するための効果的なアプローチであることが証明されている。 関係パターンはKGEモデルの性能において重要な要素である。 我々は,KGEモデルの性能を様々な関係パターン上で向上させるトレーニングフリー手法を提案する。
  論文  参考訳（メタデータ） (2023-08-15T17:30:57Z)
• Geometric Clifford Algebra Networks [53.456211342585824]
  本稿では,動的システムのモデリングのためのGeometric Clifford Algebra Networks (GCANs)を提案する。 GCANは幾何学的(クリフォード)代数を用いた対称性群変換に基づいている。
  論文  参考訳（メタデータ） (2023-02-13T18:48:33Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• 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)
• STaR: Knowledge Graph Embedding by Scaling, Translation and Rotation [20.297699026433065]
  ビリニア法は知識グラフ埋め込み(KGE)において主流であり、実体と関係性の低次元表現を学習することを目的としている。 以前の研究では、主に非可換性のような6つの重要なパターンが発見されている。 上述の2つの部分からなるバイリニアモデルスケーリング翻訳・回転(STaR)を提案する。
  論文  参考訳（メタデータ） (2022-02-15T02:06:22Z)
• 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)
• 5* Knowledge Graph Embeddings with Projective Transformations [13.723120574076127]
  射影幾何学における知識グラフ埋め込みモデル(5*E)を提案する。 インバージョン、リフレクション、翻訳、回転、ホモセティといった複数の同時変換をサポートする。 これは、最も広く使われているリンク予測ベンチマークにおいて、既存のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-08T23:28:07Z)
• Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
  画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。 そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。 画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
  論文  参考訳（メタデータ） (2020-02-18T17:58:07Z)

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。