論文の概要: Two-view Graph Neural Networks for Knowledge Graph Completion
- arxiv url: http://arxiv.org/abs/2112.09231v1
- Date: Thu, 16 Dec 2021 22:36:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-20 13:20:40.024257
- Title: Two-view Graph Neural Networks for Knowledge Graph Completion
- Title(参考訳): 知識グラフ補完のための2視点グラフニューラルネットワーク
- Authors: Vinh Tong and Dai Quoc Nguyen and Dinh Phung and Dat Quoc Nguyen
- Abstract要約: 我々は,エンティティ中心のグラフ構造と関係中心のグラフ構造をキャプチャする,新しいGNNベースの知識グラフ埋め込みモデルWGEを紹介する。
WGEは、知識グラフ補完のための3つの新しい挑戦的なベンチマークデータセットCoDExの最先端のパフォーマンスを得る。
- 参考スコア(独自算出の注目度): 13.934907240846197
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce a novel GNN-based knowledge graph embedding
model, named WGE, to capture entity-focused graph structure and
relation-focused graph structure. In particular, given the knowledge graph, WGE
builds a single undirected entity-focused graph that views entities as nodes.
In addition, WGE also constructs another single undirected graph from
relation-focused constraints, which views entities and relations as nodes. WGE
then proposes a new architecture of utilizing two vanilla GNNs directly on
these two single graphs to better update vector representations of entities and
relations, followed by a weighted score function to return the triple scores.
Experimental results show that WGE obtains state-of-the-art performances on
three new and challenging benchmark datasets CoDEx for knowledge graph
completion.
- Abstract(参考訳): 本稿では,エンティティ中心のグラフ構造と関係中心のグラフ構造をキャプチャする,新しいGNNベースの知識グラフ埋め込みモデルWGEを紹介する。
特に知識グラフを考えると、WGEはエンティティをノードと見なす単一の非指向エンティティ中心のグラフを構築している。
さらに、WGEは関係に焦点を絞った制約から別の単一の非方向グラフを構築し、エンティティと関係をノードとして見る。
次に、WGEは2つのバニラGNNを2つの単一のグラフに直接利用して、エンティティとリレーションのベクトル表現をより良く更新するアーキテクチャを提案し、次いで重み付きスコア関数で3つのスコアを返す。
実験結果から,WGEは知識グラフ補完のための3つの新しい,挑戦的なベンチマークデータセットであるCoDExの最先端性能を得ることができた。
関連論文リスト
- Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。
このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。
また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文 参考訳(メタデータ) (2025-01-01T08:48:53Z) - Graph External Attention Enhanced Transformer [20.44782028691701]
本稿では,複数の外部ノード/エッジキー値単位を利用してグラフ間相関を暗黙的にキャプチャする新しい注意機構であるグラフ外部注意機構(GEA)を提案する。
そこで我々は,GeAET (Graph external Attention Enhanced Transformer) と呼ばれる効果的なアーキテクチャを設計した。
ベンチマークデータセットの実験では、GAETが最先端の実証的なパフォーマンスを達成することが示されている。
論文 参考訳(メタデータ) (2024-05-31T17:50:27Z) - Relating-Up: Advancing Graph Neural Networks through Inter-Graph Relationships [17.978546172777342]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから学ぶのに優れています。
彼らの成功にもかかわらず、GNNはグラフ間の関係のコンテキストを無視して制限される。
本稿では,グラフ間の関係を利用してGNNを強化するプラグイン・アンド・プレイモジュールであるRelating-Upを紹介する。
論文 参考訳(メタデータ) (2024-05-07T02:16:54Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳(メタデータ) (2024-01-28T06:43:13Z) - Graph Transformer GANs with Graph Masked Modeling for Architectural
Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。
また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-15T14:36:38Z) - Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
論文 参考訳(メタデータ) (2023-03-14T20:35:45Z) - GraphDCA -- a Framework for Node Distribution Comparison in Real and
Synthetic Graphs [72.51835626235368]
2つのグラフを比較するとき、ノード構造的特徴の分布は、グローバルグラフ統計よりも有益である、と我々は主張する。
本稿では,各ノード表現セットのアライメントに基づいてグラフ間の類似性を評価するフレームワークGraphDCAを提案する。
論文 参考訳(メタデータ) (2022-02-08T14:19:19Z) - Node Co-occurrence based Graph Neural Networks for Knowledge Graph Link
Prediction [13.934907240846197]
NoKEは、知識グラフ補完を改善するために、エンティティ間の共起と関係をグラフニューラルネットワークに統合することを目的としている。
NoKEは、知識グラフ補完のための3つの新しい、挑戦的で困難なベンチマークデータセットCoDExに関する最新の結果を取得します。
論文 参考訳(メタデータ) (2021-04-15T11:51:52Z) - 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。