論文の概要: Modeling Heterogeneous Hierarchies with Relation-specific Hyperbolic Cones

• arxiv url: http://arxiv.org/abs/2110.14923v1
• Date: Thu, 28 Oct 2021 07:16:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-29 16:26:11.989005
• Title: Modeling Heterogeneous Hierarchies with Relation-specific Hyperbolic Cones
• Title（参考訳）: 関係特異的双曲円錐を用いた不均質階層のモデル化
• Authors: Yushi Bai, Rex Ying, Hongyu Ren, Jure Leskovec
• Abstract要約: 知識グラフにおける複数の階層的および非階層的関係を同時にモデル化できるKG埋め込みモデルであるConE(Cone Embedding)を提案する。 特に、ConEは双曲埋め込み空間の異なる部分空間における円錐包含制約を用いて、複数の異種階層をキャプチャする。 我々のアプローチでは、WN18RRで45.3%、DDB14で16.1%の新しい最先端hits@1が得られる(0.231 MRR)。
• 参考スコア（独自算出の注目度）: 64.75766944882389
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hierarchical relations are prevalent and indispensable for organizing human knowledge captured by a knowledge graph (KG). The key property of hierarchical relations is that they induce a partial ordering over the entities, which needs to be modeled in order to allow for hierarchical reasoning. However, current KG embeddings can model only a single global hierarchy (single global partial ordering) and fail to model multiple heterogeneous hierarchies that exist in a single KG. Here we present ConE (Cone Embedding), a KG embedding model that is able to simultaneously model multiple hierarchical as well as non-hierarchical relations in a knowledge graph. ConE embeds entities into hyperbolic cones and models relations as transformations between the cones. In particular, ConE uses cone containment constraints in different subspaces of the hyperbolic embedding space to capture multiple heterogeneous hierarchies. Experiments on standard knowledge graph benchmarks show that ConE obtains state-of-the-art performance on hierarchical reasoning tasks as well as knowledge graph completion task on hierarchical graphs. In particular, our approach yields new state-of-the-art Hits@1 of 45.3% on WN18RR and 16.1% on DDB14 (0.231 MRR). As for hierarchical reasoning task, our approach outperforms previous best results by an average of 20% across three hierarchical datasets.
• Abstract（参考訳）: 階層的関係は、知識グラフ(KG)が捉えた人間の知識を整理するために必要不可欠である。 階層関係の鍵となる性質は、階層的推論を可能にするためにモデル化される必要がある実体を部分的に順序付けすることである。 しかし、現在のkg埋め込みは単一のグローバル階層(単一のグローバル部分順序付け)のみをモデル化することができ、単一のkgに存在する複数の異種階層をモデル化できない。 ここでは、知識グラフにおける複数の階層的および非階層的関係を同時にモデル化できるKG埋め込みモデルであるConE(Cone Embedding)を紹介する。 ConEは、エンティティを双曲円錐に埋め込み、円錐間の変換として関係をモデル化する。 特に、ConEは双曲埋め込み空間の異なる部分空間における円錐包含制約を用いて、複数の異種階層をキャプチャする。 標準的な知識グラフベンチマークの実験では、ConEは階層的推論タスクの最先端のパフォーマンスと階層的グラフの知識グラフ補完タスクを得る。 具体的には,WN18RRで45.3%,DDB14で16.1%,最先端のHits@1を新たに生成する。 階層的推論タスクに関しては,3つの階層的データセットにおいて,従来の最善の結果を平均20%上回っている。

関連論文リスト

• Joint Entity and Relation Extraction with Span Pruning and Hypergraph Neural Networks [58.43972540643903]
  PLマーカ(最先端マーカーベースピプレリンモデル)上に構築されたEREのためのHyperGraphニューラルネットワーク(hgnn$)を提案する。 エラーの伝播を軽減するため,NERモジュールからのエンティティ識別とラベル付けの負担をモデルのジョイントモジュールに転送するために,ハイリコールプルーナー機構を用いる。 EREタスクに広く使用されている3つのベンチマークの実験は、以前の最先端のPLマーカーよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-10-26T08:36:39Z)
• Learning Hierarchical Features with Joint Latent Space Energy-Based Prior [44.4434704520236]
  階層表現学習における多層ジェネレータモデルの基本的問題について検討する。 実効的階層型表現学習のための多層潜在変数を用いた有意な潜在空間EMM事前モデルを提案する。
  論文  参考訳（メタデータ） (2023-10-14T15:44:14Z)
• HIORE: Leveraging High-order Interactions for Unified Entity Relation Extraction [85.80317530027212]
  本稿では,統合エンティティ関係抽出のための新しい手法であるHIOREを提案する。 重要な洞察は、単語ペア間の複雑な関連を活用することである。 実験の結果,HIOREは従来最高の統一モデルよりも1.11.8 F1ポイント向上した。
  論文  参考訳（メタデータ） (2023-05-07T14:57:42Z)
• Bringing motion taxonomies to continuous domains via GPLVM on hyperbolic manifolds [8.385386712928785]
  人間の動きは、人間の動きと環境との相互作用の仕方を分類する高レベルの階層的抽象化として機能する。 本稿では,関連する階層構造を捉えるハイパーボリック埋め込みを用いて分類データをモデル化することを提案する。 本モデルでは,既存の分類群や新分類群の未確認データを適切にエンコードし,EuclideanおよびVAEベースの分類群よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-04T15:19:24Z)
• DHGE: Dual-View Hyper-Relational Knowledge Graph Embedding for Link Prediction and Entity Typing [1.2932412290302255]
  本稿では、エンティティのハイパーリレーショナルインスタンスビューと、エンティティから階層的に抽象化された概念のハイパーリレーショナルビューを含むデュアルビューハイパーリレーショナルKG構造(DH-KG)を提案する。 本稿では、DH-KG上のリンク予測とエンティティ型付けタスクを初めて定義し、医療データに基づいてWikidataから抽出された2つのDH-KGデータセットJW44K-6KとHTDMを構築した。
  論文  参考訳（メタデータ） (2022-07-18T12:44:59Z)
• Hyperbolic Hierarchical Knowledge Graph Embeddings for Link Prediction in Low Dimensions [11.260501547769636]
  我々は、$textbfHyp$erbolic $textbfH$ierarchical $textbfKGE$ (HypHKGE)と呼ばれる新しいKGEモデルを提案する。 このモデルは、双曲空間に対する注意に基づく学習可能な曲率を導入し、リッチなセマンティック階層を保存するのに役立つ。 3つのベンチマークデータセットに対するHypHKGEモデルの有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2022-04-28T03:41:41Z)
• Use All The Labels: A Hierarchical Multi-Label Contrastive Learning Framework [75.79736930414715]
  本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。 比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
  論文  参考訳（メタデータ） (2022-04-27T21:41:44Z)
• HRKD: Hierarchical Relational Knowledge Distillation for Cross-domain Language Model Compression [53.90578309960526]
  大規模事前学習言語モデル(PLM)は、従来のニューラルネットワーク手法と比較して圧倒的な性能を示している。 階層的および領域的関係情報の両方を抽出する階層的関係知識蒸留法(HRKD)を提案する。
  論文  参考訳（メタデータ） (2021-10-16T11:23:02Z)
• Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
  提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。 実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
  論文  参考訳（メタデータ） (2020-09-12T17:36:53Z)
• Low-Dimensional Hyperbolic Knowledge Graph Embeddings [40.32524961979543]
  階層的および論理的パターンを同時にキャプチャする,双曲型KG埋め込みモデルのクラスを導入する。 実験の結果, 従来のユークリッド法および双曲型法よりも6.1%の低次元で改善が得られた。 高次元では、WN18RRでは49.6%、YAGO3-10では57.7%の新しい最先端MRRが得られる。
  論文  参考訳（メタデータ） (2020-05-01T18:00:02Z)

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。