Fugu-MT 論文翻訳(概要): Scalable knowledge base completion with superposition memories

論文の概要: Scalable knowledge base completion with superposition memories

arxiv url: http://arxiv.org/abs/2110.12341v1
Date: Sun, 24 Oct 2021 03:18:04 GMT
ステータス: 処理完了
システム内更新日: 2021-10-31 18:07:18.564088
Title: Scalable knowledge base completion with superposition memories
Title（参考訳）: 重ね合わせ記憶を用いたスケーラブルな知識ベース補完
Authors: Matthias Lalisse, Eric Rosen, Paul Smolensky
Abstract要約: 本稿では,知識ベース補完のためのニューラルネットワークであるハーモニックメモリネットワーク(HMem)を提案する。 HMemはエンティティを、エンティティの隣人と対応する関係の間のペアワイズ結合の重み付け和としてモデル化する。 WNGenとFBGenの2つの新しいデータセットでこれを実証する。
参考スコア（独自算出の注目度）: 7.754062965937491
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present Harmonic Memory Networks (HMem), a neural architecture for knowledge base completion that models entities as weighted sums of pairwise bindings between an entity's neighbors and corresponding relations. Since entities are modeled as aggregated neighborhoods, representations of unseen entities can be generated on the fly. We demonstrate this with two new datasets: WNGen and FBGen. Experiments show that the model is SOTA on benchmarks, and flexible enough to evolve without retraining as the knowledge graph grows.
Abstract（参考訳）: 我々は、知識ベース補完のためのニューラルネットワークであるハーモニックメモリネットワーク(HMem)を紹介し、エンティティを、エンティティの隣人と対応する関係の間のペアワイズ結合の重み付け和としてモデル化する。エンティティは集約された近傍としてモデル化されるので、見えないエンティティの表現はフライで生成することができる。 WNGenとFBGenの2つの新しいデータセットでこれを実証する。実験により、モデルがベンチマーク上でSOTAであり、知識グラフが大きくなるにつれて再トレーニングなしに進化できる柔軟性があることが示されている。

関連論文リスト

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)
Fake It Till Make It: Federated Learning with Consensus-Oriented Generation [52.82176415223988]
コンセンサス指向生成による連合学習(FedCOG)を提案する。 FedCOGは、補完的なデータ生成と知識蒸留に基づくモデルトレーニングという、クライアント側の2つの重要なコンポーネントで構成されています。古典的および実世界のFLデータセットの実験は、FedCOGが一貫して最先端の手法より優れていることを示している。
論文参考訳（メタデータ） (2023-12-10T18:49:59Z)
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)
Neural Attentive Circuits [93.95502541529115]
我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。 NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。 NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
論文参考訳（メタデータ） (2022-10-14T18:00:07Z)
Is There More Pattern in Knowledge Graph? Exploring Proximity Pattern for Knowledge Graph Embedding [13.17623081024394]
知識グラフにおけるそのような意味現象を近接パターンと呼ぶ。元の知識グラフを用いて、我々は2つのパターンを深くマージするために、連鎖したcouPle-GNNアーキテクチャを設計する。 FB15k-237とWN18RRデータセットで評価され、CP-GNNは知識グラフ補完タスクの最先端の結果を達成する。
論文参考訳（メタデータ） (2021-10-02T03:50:42Z)
Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文参考訳（メタデータ） (2021-02-14T03:21:36Z)
QuatRE: Relation-Aware Quaternions for Knowledge Graph Embeddings [19.386604643035145]
本稿では,知識グラフの実体と関係性に関する四元数埋め込みを学習するための簡単な埋め込みモデルを提案する。我々のモデルは、ハミルトン積と四元数空間内の関係が与えられた頭と尾の実体の間の相関性を高めることを目的としている。
論文参考訳（メタデータ） (2020-09-26T04:44:25Z)
Streaming Graph Neural Networks via Continual Learning [31.810308087441445]
グラフニューラルネットワーク(GNN)は様々なアプリケーションで高いパフォーマンスを実現している。本稿では,連続学習に基づくストリーミングGNNモデルを提案する。モデルパラメータを効率的に更新し、モデル再トレーニングに匹敵する性能が得られることを示す。
論文参考訳（メタデータ） (2020-09-23T06:52:30Z)
HittER: Hierarchical Transformers for Knowledge Graph Embeddings [85.93509934018499]
複雑な知識グラフにおける実体と関係の表現を学習するためにHittを提案する。実験結果から,Hittは複数リンク予測において最先端の新たな結果が得られることがわかった。さらに,HittをBERTに統合する簡単なアプローチを提案し,その効果を2つのFreebaseファクトイド対応データセットで示す。
論文参考訳（メタデータ） (2020-08-28T18:58:15Z)
Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。私たちのフレームワークは、サンプル間の関係をよく保存します。サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文参考訳（メタデータ） (2020-07-11T10:57:45Z)
Bipartite Flat-Graph Network for Nested Named Entity Recognition [94.91507634620133]
ネスト型名前付きエンティティ認識(NER)のためのバイパートフラットグラフネットワーク(BiFlaG) ネストされた名前付きエンティティ認識(NER)のためのバイパーティライトフラットグラフネットワーク(BiFlaG)を提案する。
論文参考訳（メタデータ） (2020-05-01T15:14:22Z)

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。