論文の概要: cgSpan: Pattern Mining in Conceptual Graphs
- arxiv url: http://arxiv.org/abs/2110.15058v1
- Date: Tue, 26 Oct 2021 14:28:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-29 15:28:50.517351
- Title: cgSpan: Pattern Mining in Conceptual Graphs
- Title（参考訳）: cgSpan: 概念グラフにおけるパターンマイニング
- Authors: Adam Faci (LFI, TRT), Marie-Jeanne Lesot (LFI), Claire Laudy (TRT)
- Abstract要約: 概念グラフ (conceptual Graphs, CG) は、グラフに基づく知識表現形式である。
本稿では,CG頻出パターンマイニングアルゴリズムであるcgSpanを提案する。
a)関係ノードの固定アリティ、(b)シグネチャの固定アリティ、(b)シグネチャで指定された最大型よりも一般的な概念型パターンの回避、(c)パターンマイニングプロセス中にそれらを適用する推論規則の3種類を含む。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conceptual Graphs (CGs) are a graph-based knowledge representation formalism.
In this paper we propose cgSpan a CG frequent pattern mining algorithm. It
extends the DMGM-GSM algorithm that takes taxonomy-based labeled graphs as
input; it includes three more kinds of knowledge of the CG formalism: (a) the
fixed arity of relation nodes, handling graphs of neighborhoods centered on
relations rather than graphs of nodes, (b) the signatures, avoiding patterns
with concept types more general than the maximal types specified in signatures
and (c) the inference rules, applying them during the pattern mining process.
The experimental study highlights that cgSpan is a functional CG Frequent
Pattern Mining algorithm and that including CGs specificities results in a
faster algorithm with more expressive results and less redundancy with
vocabulary.
- Abstract（参考訳）: 概念グラフ(cgs)は、グラフに基づく知識表現形式である。
本稿では,CG頻出パターンマイニングアルゴリズムであるcgSpanを提案する。
分類に基づくラベル付きグラフを入力とするdmgm-gsmアルゴリズムを拡張し、cg形式に関する3種類の知識を含んでいる。
(a)ノードのグラフではなく関係を中心とした近傍のグラフを扱う関係ノードの固定アリティ。
b)シグネチャ,シグネチャで指定された最大型よりも一般的な概念型パターンを避けること
(c)パターンマイニングの過程で推論規則を適用して適用すること。
実験の結果, cgspanはcgの頻繁なパターンマイニングアルゴリズムであり, cgsの特異性を含めると, より表現力に富み, 語彙の冗長性が低下するより高速なアルゴリズムとなることがわかった。
関連論文リスト
- EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph
Completion [54.12709176438264]
Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。
現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。
そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
論文 参考訳（メタデータ） (2024-02-15T02:27:23Z) - Isomorphic-Consistent Variational Graph Auto-Encoders for Multi-Level
Graph Representation Learning [9.039193854524763]
本稿では,タスク非依存グラフ表現学習のためのアイソモルフィック-一貫性VGAE(IsoC-VGAE)を提案する。
まず、同型整合性を維持する理論的保証を提供するための復号法を考案する。
次に,逆グラフニューラルネットワーク(Inv-GNN)デコーダを直感的な実現法として提案する。
論文 参考訳（メタデータ） (2023-12-09T10:16:53Z) - Learning to Count Isomorphisms with Graph Neural Networks [16.455234748896157]
グラフ上の部分グラフ同型カウントは重要な問題である。
本稿では,グラフアイソモーフィズムカウントのための新しいグラフニューラルネットワークであるCount-GNNを提案する。
論文 参考訳（メタデータ） (2023-02-07T05:32:11Z) - Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。
提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。
すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文 参考訳（メタデータ） (2021-09-01T08:24:02Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳（メタデータ） (2021-01-16T16:18:43Z) - Class-wise Dynamic Graph Convolution for Semantic Segmentation [63.08061813253613]
本稿では,情報を適応的に伝達するクラスワイド動的グラフ畳み込み (CDGC) モジュールを提案する。
また、CDGCモジュールと基本セグメンテーションネットワークを含む2つの主要部分からなるCDGCNet(Class-wise Dynamic Graph Convolution Network)についても紹介する。
我々は,Cityscapes,PASCAL VOC 2012,COCO Stuffの3つの一般的なセマンティックセマンティックセマンティクスベンチマークについて広範な実験を行った。
論文 参考訳（メタデータ） (2020-07-19T15:26:50Z) - Inverse Graph Identification: Can We Identify Node Labels Given Graph
Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。
本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。
本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文 参考訳（メタデータ） (2020-07-12T12:06:17Z) - Knowledge Embedding Based Graph Convolutional Network [35.35776808660919]
本稿では,知識埋め込みに基づくグラフ畳み込みネットワーク(KE-GCN)という新しいフレームワークを提案する。
KE-GCNはグラフベースの信念伝播におけるグラフ畳み込みネットワーク(GCN)のパワーと高度な知識埋め込み手法の強みを組み合わせたものである。
理論的解析により、KE-GCNはいくつかのよく知られたGCN法のエレガントな統一を具体例として示している。
論文 参考訳（メタデータ） (2020-06-12T17:12:51Z)
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。