論文の概要: Knowledge Sheaves: A Sheaf-Theoretic Framework for Knowledge Graph Embedding

• arxiv url: http://arxiv.org/abs/2110.03789v2
• Date: Sat, 18 Mar 2023 15:36:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 05:49:59.286180
• Title: Knowledge Sheaves: A Sheaf-Theoretic Framework for Knowledge Graph Embedding
• Title（参考訳）: knowledge sheaves: 知識グラフ埋め込みのための層理論フレームワーク
• Authors: Thomas Gebhart, Jakob Hansen, Paul Schrater
• Abstract要約: 知識グラフの埋め込みは, トポロジカル言語, カテゴリー言語で自然に表現されていることを示す。 知識グラフの埋め込みは、グラフ上の適切なテクスチャ知識棚の近似グローバルセクションとして記述することができる。 結果として得られる埋め込みは、特別な訓練をせずに合成関係の推論に容易に適応できる。
• 参考スコア（独自算出の注目度）: 1.5469452301122175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph embedding involves learning representations of entities -- the vertices of the graph -- and relations -- the edges of the graph -- such that the resulting representations encode the known factual information represented by the knowledge graph and can be used in the inference of new relations. We show that knowledge graph embedding is naturally expressed in the topological and categorical language of \textit{cellular sheaves}: a knowledge graph embedding can be described as an approximate global section of an appropriate \textit{knowledge sheaf} over the graph, with consistency constraints induced by the knowledge graph's schema. This approach provides a generalized framework for reasoning about knowledge graph embedding models and allows for the expression of a wide range of prior constraints on embeddings. Further, the resulting embeddings can be easily adapted for reasoning over composite relations without special training. We implement these ideas to highlight the benefits of the extensions inspired by this new perspective.
• Abstract（参考訳）: 知識グラフ埋め込みは、グラフの頂点とグラフの縁であるエンティティの表現を学習することを含み、結果として得られる表現は知識グラフで表現された既知の事実情報をエンコードし、新しい関係の推論に使用できる。 知識グラフ埋め込みは、グラフ上の適切な \textit{knowledge sheaf} の近似大域的な部分として記述でき、知識グラフのスキーマによって引き起こされる一貫性の制約がある。 このアプローチは、知識グラフの埋め込みモデルに関する推論のための一般化されたフレームワークを提供し、埋め込みに関する幅広い事前制約の表現を可能にする。 さらに、得られた埋め込みは、特別なトレーニングなしに複合関係を推論するために容易に適用することができる。 この新たな視点にインスパイアされた拡張のメリットを強調するために、これらのアイデアを実装します。

関連論文リスト

• From Latent to Lucid: Transforming Knowledge Graph Embeddings into Interpretable Structures [2.6451388057494283]
  本稿では,知識グラフ埋め込みモデルに適したポストホックな説明可能なAI手法を提案する。 本手法は,知識グラフ埋め込みモデルによって符号化された潜在表現を直接デコードする。 類似した埋め込みエンティティのサブグラフ近傍の異なる構造を識別することにより、これらの知見を人間の理解可能な象徴的ルールや事実に変換する。
  論文  参考訳（メタデータ） (2024-06-03T19:54:11Z)
• Extending Transductive Knowledge Graph Embedding Models for Inductive Logical Relational Inference [0.5439020425819]
  この研究は、従来の帰納的知識グラフの埋め込みアプローチと、より最近の帰納的関係予測モデルとのギャップを埋めるものである。 本稿では,帰納的埋め込み法で学習した表現を活用して,推論時に導入された新しい実体の表現を帰納的設定で推論する一般調和拡張法を提案する。 多数の大規模知識グラフ埋め込みベンチマークの実験において、この手法は、帰納的知識グラフ埋め込みモデルの機能を拡張するためのものであり、いくつかのシナリオでは、そのような帰納的タスクのために明示的に導出される最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-09-07T15:24:18Z)
• InGram: Inductive Knowledge Graph Embedding via Relation Graphs [16.005051393690792]
  本稿では,インダクティブ・ナレッジGRAph eMbedding法であるInGramを提案する。 実験の結果,InGramは様々な帰納的学習シナリオにおいて,14種類の最先端手法より優れていた。
  論文  参考訳（メタデータ） (2023-05-31T16:10:42Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• KGLM: Integrating Knowledge Graph Structure in Language Models for Link Prediction [0.0]
  我々は、異なるエンティティと関係型を区別することを学ぶ新しいエンティティ/リレーション埋め込み層を導入する。 知識グラフから抽出したトリプルを用いて、この追加埋め込み層を用いて言語モデルをさらに事前学習し、続いて標準微調整フェーズにより、ベンチマークデータセット上のリンク予測タスクに対して、新しい最先端のパフォーマンスが設定されることを示す。
  論文  参考訳（メタデータ） (2022-11-04T20:38:12Z)
• Joint Language Semantic and Structure Embedding for Knowledge Graph Completion [66.15933600765835]
  本稿では,知識三重項の自然言語記述と構造情報とを共同で組み込むことを提案する。 本手法は,学習済み言語モデルを微調整することで,完了作業のための知識グラフを埋め込む。 各種知識グラフベンチマーク実験により,本手法の最先端性能を実証した。
  論文  参考訳（メタデータ） (2022-09-19T02:41:02Z)
• Conditional Attention Networks for Distilling Knowledge Graphs in Recommendation [74.14009444678031]
  本稿では,知識グラフをレコメンデーションシステムに組み込むために,知識対応コンディショナルアテンションネットワーク(KCAN)を提案する。 本研究では,まず,ユーザ・イテムネットワークとナレッジグラフのグローバルな意味的類似性を捉えるノード表現を得る。 そして,そのサブグラフに条件付きアテンションアグリゲーションを適用することで,その知識グラフを改良し,目標固有ノード表現を得る。
  論文  参考訳（メタデータ） (2021-11-03T09:40:43Z)
• Knowledge Graph Completion with Text-aided Regularization [2.8361571014635407]
  知識グラフ補完は、可能なエンティティを推定することによって知識グラフ/ベースを拡張するタスクである。 従来のアプローチは主に、グラフ固有の既存のグラフィカル情報の使用に重点を置いている。 我々は、既存のkg埋め込みフレームワークがより良い予測結果に達するのを助けるために、抽出または生のテキスト情報を使用する多くの方法を試みる。
  論文  参考訳（メタデータ） (2021-01-22T06:10:09Z)
• Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
  解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」 構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:01:42Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)
• Bridging Knowledge Graphs to Generate Scene Graphs [49.69377653925448]
  本稿では,2つのグラフ間の情報伝達を反復的に行う新しいグラフベースニューラルネットワークを提案する。 我々のグラフブリッジネットワークであるGB-Netは、エッジとノードを連続的に推論し、相互接続されたシーンとコモンセンスグラフのリッチでヘテロジニアスな構造を同時に活用し、洗練する。
  論文  参考訳（メタデータ） (2020-01-07T23:35:52Z)

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。