論文の概要: CORE: A Knowledge Graph Entity Type Prediction Method via Complex Space Regression and Embedding

• arxiv url: http://arxiv.org/abs/2112.10067v1
• Date: Sun, 19 Dec 2021 05:47:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 07:34:28.049501
• Title: CORE: A Knowledge Graph Entity Type Prediction Method via Complex Space Regression and Embedding
• Title（参考訳）: CORE:複雑な空間回帰と埋め込みによる知識グラフエンティティ型予測手法
• Authors: Xiou Ge, Yun-Cheng Wang, Bin Wang, C.-C. Jay Kuo
• Abstract要約: 本研究では,新しいエンティティ型予測手法であるCOREを提案する。 COREはRotatEまたはComplExを使って2つの異なる複雑な空間にエンティティと型を埋め込む。 実験の結果,COREは代表的なKGエンティティ型推論データセットの手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 29.14178162494542
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Entity type prediction is an important problem in knowledge graph (KG) research. A new KG entity type prediction method, named CORE (COmplex space Regression and Embedding), is proposed in this work. The proposed CORE method leverages the expressive power of two complex space embedding models; namely, RotatE and ComplEx models. It embeds entities and types in two different complex spaces using either RotatE or ComplEx. Then, we derive a complex regression model to link these two spaces. Finally, a mechanism to optimize embedding and regression parameters jointly is introduced. Experiments show that CORE outperforms benchmarking methods on representative KG entity type inference datasets. Strengths and weaknesses of various entity type prediction methods are analyzed.
• Abstract（参考訳）: エンティティ型予測は知識グラフ(KG)研究において重要な問題である。 本研究では,CORE (Commplex space Regression and Embedding) と呼ばれる新しいKGエンティティ型予測手法を提案する。 提案手法は,2つの複素空間埋め込みモデル,すなわち RotatE と ComplEx の表現力を利用する。 RotatEかComplExを使って2つの異なる複雑な空間にエンティティと型を埋め込む。 次に、これらの2つの空間をリンクする複素回帰モデルを導出する。 最後に,埋め込みパラメータと回帰パラメータを共同で最適化する機構を導入する。 実験の結果,COREは代表的なKGエンティティ型推論データセットのベンチマーク手法よりも優れていた。 様々なエンティティ型予測手法の強みと弱みを分析した。

関連論文リスト

• From Semantics to Hierarchy: A Hybrid Euclidean-Tangent-Hyperbolic Space Model for Temporal Knowledge Graph Reasoning [1.1372536310854844]
  時間的知識グラフ(TKG)推論は、過去のデータに基づいて将来の出来事を予測する。 既存のユークリッドモデルはセマンティクスを捉えるのに優れているが、階層構造に苦しむ。 ユークリッドモデルと双曲モデルの両方の強みを利用する新しいハイブリッド幾何空間アプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-30T10:33:08Z)
• Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
  文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。 CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。 CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
  論文  参考訳（メタデータ） (2024-02-05T03:25:04Z)
• Deep Generative Symbolic Regression [83.04219479605801]
  記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。 既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。 本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
  論文  参考訳（メタデータ） (2023-12-30T17:05:31Z)
• Understanding Augmentation-based Self-Supervised Representation Learning via RKHS Approximation and Regression [53.15502562048627]
  最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。 この研究は、増強に基づく事前訓練の統計的分析に発展する。
  論文  参考訳（メタデータ） (2023-06-01T15:18:55Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• ER: Equivariance Regularizer for Knowledge Graph Completion [107.51609402963072]
  我々は、新しい正規化器、すなわち等分散正規化器(ER)を提案する。 ERは、頭と尾のエンティティ間の意味的等価性を利用することで、モデルの一般化能力を高めることができる。 実験結果から,最先端関係予測法よりも明確かつ実質的な改善が示された。
  論文  参考訳（メタデータ） (2022-06-24T08:18:05Z)
• Knowledge Generation -- Variational Bayes on Knowledge Graphs [0.685316573653194]
  この論文は、現実世界の知識グラフの表現に関するVari Auto-Encoder (VAE) の概念実証である。 生成グラフへのアプローチの成功に触発されて,本モデルである変分オートエンコーダ(rgvae)の能力を評価する。 RGVAEはリンク予測に基づいて評価される。 2つのFB15K-237およびWN18RRデータセットの平均相互ランク(MRR)スコアを比較します。 2次実験における潜伏空間について検討する:まず、2つの三重項の潜伏表現の間の線型、そして各三重項の探索
  論文  参考訳（メタデータ） (2021-01-21T21:23:17Z)
• A Fully Hyperbolic Neural Model for Hierarchical Multi-Class Classification [7.8176853587105075]
  双曲空間は、記号データの階層的表現を学ぶために数学的に魅力的なアプローチを提供する。 本研究は,双曲空間におけるすべての操作を実行する多クラス多ラベル分類のための完全双曲モデルを提案する。 徹底的な分析では、最終予測における各コンポーネントの影響に光を当て、ユークリッド層との統合の容易さを示している。
  論文  参考訳（メタデータ） (2020-10-05T14:42:56Z)
• AutoETER: Automated Entity Type Representation for Knowledge Graph Embedding [40.900070190077024]
  我々は、Entity TypE Representation(AutoETER)を用いた新しい知識グラフ埋め込み(KGE)フレームワークを開発した。 我々のアプローチは、すべての関係パターンと複雑な関係をモデル化し、推測することができる。 4つのデータセットの実験は、リンク予測タスクにおける最先端のベースラインと比較して、我々のモデルの優れた性能を示している。
  論文  参考訳（メタデータ） (2020-09-25T04:27:35Z)
• Relational Reflection Entity Alignment [28.42319743737994]
  エンティティアライメントは知識グラフ(KG)からエンティティペアを特定する エンティティアライメントにGNNを導入することで、最近のモデルのアーキテクチャはますます複雑になっています。 本稿では,既存のエンティティアライメント手法を統一的なフレームワークであるShape-Builder & Alignmentに抽象化する。
  論文  参考訳（メタデータ） (2020-08-18T14:49:31Z)

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。