論文の概要: Transductive Data Augmentation with Relational Path Rule Mining for
Knowledge Graph Embedding
- arxiv url: http://arxiv.org/abs/2111.00974v1
- Date: Mon, 1 Nov 2021 14:35:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-02 14:29:19.006427
- Title: Transductive Data Augmentation with Relational Path Rule Mining for
Knowledge Graph Embedding
- Title(参考訳): リレーショナルパスルールマイニングを用いた知識グラフ埋め込みのためのトランスダクティブデータ拡張
- Authors: Yushi Hirose, Masashi Shimbo, Taro Watanabe
- Abstract要約: 本稿では,関係経路規則と信頼度に基づく拡張データの重み付けによるトランスダクティブデータ拡張を提案する。
その結果,本提案手法は,真の回答を含むデータや類似したエンティティを付加することにより,埋め込みモデルの性能を効果的に向上することを示した。
- 参考スコア(独自算出の注目度): 5.603379389073144
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For knowledge graph completion, two major types of prediction models exist:
one based on graph embeddings, and the other based on relation path rule
induction. They have different advantages and disadvantages. To take advantage
of both types, hybrid models have been proposed recently. One of the hybrid
models, UniKER, alternately augments training data by relation path rules and
trains an embedding model. Despite its high prediction accuracy, it does not
take full advantage of relation path rules, as it disregards low-confidence
rules in order to maintain the quality of augmented data. To mitigate this
limitation, we propose transductive data augmentation by relation path rules
and confidence-based weighting of augmented data. The results and analysis show
that our proposed method effectively improves the performance of the embedding
model by augmenting data that include true answers or entities similar to them.
- Abstract(参考訳): 知識グラフの完成には、グラフ埋め込みに基づくものと関係経路規則帰納に基づくものという2つの主要な予測モデルが存在する。
それぞれ異なる利点と欠点がある。
両タイプを生かしたハイブリッドモデルが最近提案されている。
ハイブリッドモデルの1つであるUniKERは、リレーショナルパスルールによってトレーニングデータを交互に拡張し、埋め込みモデルを訓練する。
その高い予測精度にもかかわらず、拡張データの品質を維持するために低信頼ルールを無視しているため、関係パスルールを十分に活用していない。
この制限を緩和するため,関係経路規則と拡張データの信頼度に基づく重み付けによるトランスダクティブデータ拡張を提案する。
その結果,本手法は真の回答や類似したエンティティを含むデータを追加することで,組込みモデルの性能を効果的に向上できることがわかった。
関連論文リスト
- Sub-graph Based Diffusion Model for Link Prediction [43.15741675617231]
拡散確率モデル(Denoising Diffusion Probabilistic Models, DDPM)は、例外的な品質を持つ同時代の生成モデルである。
本研究では,ベイズ式による確率推定過程を分解するために,専用設計を用いたリンク予測のための新しい生成モデルを構築した。
提案手法は,(1)再トレーニングを伴わないデータセット間の転送可能性,(2)限られたトレーニングデータに対する有望な一般化,(3)グラフ敵攻撃に対する堅牢性など,多くの利点を示す。
論文 参考訳(メタデータ) (2024-09-13T02:23:55Z) - Endowing Pre-trained Graph Models with Provable Fairness [49.8431177748876]
証明可能な公正性を持つ事前学習グラフモデル(GraphPAR)を実現する新しいアダプタチューニングフレームワークを提案する。
具体的には、各ノードに対して異なる属性意味を持つノード表現を拡張するために、ノード表現に対するセンシティブなセマンティックオーグメンタを設計する。
GraphPARでは、各ノードの公平性が証明可能であるかどうか、すなわち、予測が特定の機密属性セマンティクスの範囲内で常に公平であるかどうかを定量化する。
論文 参考訳(メタデータ) (2024-02-19T14:16:08Z) - DualAug: Exploiting Additional Heavy Augmentation with OOD Data
Rejection [77.6648187359111]
そこで本稿では,textbfDualAug という新しいデータ拡張手法を提案する。
教師付き画像分類ベンチマークの実験では、DualAugは様々な自動データ拡張法を改善している。
論文 参考訳(メタデータ) (2023-10-12T08:55:10Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - To Copy Rather Than Memorize: A Vertical Learning Paradigm for Knowledge
Graph Completion [35.05965140700747]
我々は、より正確な予測のために、埋め込みモデルを拡張し、関連する事実のトリプルからターゲット情報を明示的にコピーできるようにする。
また、より効率的な最適化のための新しい相対距離ベース負サンプリング手法(ReD)を提案する。
論文 参考訳(メタデータ) (2023-05-23T14:53:20Z) - Multi-Aspect Explainable Inductive Relation Prediction by Sentence
Transformer [60.75757851637566]
本稿では,モデル学習に先立って信頼できない経路をフィルタリングし,モデル性能を高めるための関係経路カバレッジと関係経路信頼の概念を紹介する。
知識グラフにおける帰納関係を予測するために,知識推論文変換器(KRST)を提案する。
論文 参考訳(メタデータ) (2023-01-04T15:33:49Z) - Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。
本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
論文 参考訳(メタデータ) (2021-08-16T04:20:09Z) - KGRefiner: Knowledge Graph Refinement for Improving Accuracy of
Translational Link Prediction Methods [4.726777092009553]
本稿では,知識グラフの精細化手法を提案する。
これにより知識グラフがより情報的になり、リンク予測操作をより正確に行うことができる。
提案手法は,翻訳リンク予測手法の性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2021-06-27T13:32:39Z) - Training Robust Graph Neural Networks with Topology Adaptive Edge
Dropping [116.26579152942162]
グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。
彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。
本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
論文 参考訳(メタデータ) (2021-06-05T13:20:36Z) - NePTuNe: Neural Powered Tucker Network for Knowledge Graph Completion [31.838865331557496]
本稿では,深部モデルの表現性と線形モデルの速度とサイズを結合した新しいハイブリッドリンク予測モデルを提案する。
neptuneはfb15k-237データセットの最先端性能とwn18rrデータセットの最先端性能を提供する。
論文 参考訳(メタデータ) (2021-04-15T23:48:26Z) - Realistic Re-evaluation of Knowledge Graph Completion Methods: An
Experimental Study [0.0]
本論文は,埋め込みモデルの真の有効性を評価することを目的とした,最初の体系的研究である。
実験の結果、これらのモデルは以前よりもはるかに精度が低いことが分かりました。
論文 参考訳(メタデータ) (2020-03-18T01:18:09Z)
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。