Fugu-MT 論文翻訳(概要): Skip Vectors for RDF Data: Extraction Based on the Complexity of Feature Patterns

論文の概要: Skip Vectors for RDF Data: Extraction Based on the Complexity of Feature Patterns

arxiv url: http://arxiv.org/abs/2201.01996v2
Date: Fri, 7 Jan 2022 06:31:02 GMT
ステータス: 処理完了
システム内更新日: 2022-01-10 12:23:20.094416
Title: Skip Vectors for RDF Data: Extraction Based on the Complexity of Feature Patterns
Title（参考訳）: RDFデータのためのスキップベクトル:特徴パターンの複雑さに基づく抽出
Authors: Yota Minami, Ken Kaneiwa
Abstract要約: Resource Description Framework(RDF)は、Web上のリソースの属性や関連性などのメタデータを記述するためのフレームワークである。本研究では,近隣のエッジとノードの様々な組み合わせを抽出することにより,RDFグラフ内の各リソースの特徴を表す新しい特徴ベクトル(スキップベクトル)を提案する。分類タスクは、SVM、k-nearest neighbors法、ニューラルネットワーク、ランダムフォレスト、AdaBoostなどの従来の機械学習アルゴリズムに、各リソースの低次元スキップベクトルを適用することで行うことができる。
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: The Resource Description Framework (RDF) is a framework for describing metadata, such as attributes and relationships of resources on the Web. Machine learning tasks for RDF graphs adopt three methods: (i) support vector machines (SVMs) with RDF graph kernels, (ii) RDF graph embeddings, and (iii) relational graph convolutional networks. In this paper, we propose a novel feature vector (called a Skip vector) that represents some features of each resource in an RDF graph by extracting various combinations of neighboring edges and nodes. In order to make the Skip vector low-dimensional, we select important features for classification tasks based on the information gain ratio of each feature. The classification tasks can be performed by applying the low-dimensional Skip vector of each resource to conventional machine learning algorithms, such as SVMs, the k-nearest neighbors method, neural networks, random forests, and AdaBoost. In our evaluation experiments with RDF data, such as Wikidata, DBpedia, and YAGO, we compare our method with RDF graph kernels in an SVM. We also compare our method with the two approaches: RDF graph embeddings such as RDF2vec and relational graph convolutional networks on the AIFB, MUTAG, BGS, and AM benchmarks.
Abstract（参考訳）: Resource Description Framework(RDF)は、Web上のリソースの属性や関連性などのメタデータを記述するためのフレームワークである。 RDFグラフの機械学習タスクには3つの方法がある。 (i)RDFグラフカーネルによるベクトルマシン(SVM)のサポート。 (ii)rdfグラフ埋め込み、及び (iii)関係グラフ畳み込みネットワーク。本稿では,隣接エッジとノードの様々な組み合わせを抽出することにより,rdfグラフ内の各リソースの特徴を表現できる新しい特徴ベクトル(スキップベクトルと呼ばれる)を提案する。スキップベクトルを低次元化するために,各特徴の情報ゲイン比に基づいて分類タスクの重要な特徴を選択する。分類タスクは、SVM、k-nearest neighbors法、ニューラルネットワーク、ランダムフォレスト、AdaBoostなどの従来の機械学習アルゴリズムに、各リソースの低次元スキップベクトルを適用することで行うことができる。 Wikidata,DBpedia,YAGOなどのRDFデータを用いた評価実験において,本手法をSVM内のRDFグラフカーネルと比較した。 AIFB, MUTAG, BGS, AMベンチマーク上のRDF2vecやリレーショナルグラフ畳み込みネットワークなどのRDFグラフの埋め込み手法との比較を行った。

関連論文リスト

AutoRDF2GML: Facilitating RDF Integration in Graph Machine Learning [9.408189129889006]
AutoRDF2GMLは、RDFデータをグラフ機械学習タスクに適したデータ表現に変換するように設計されたフレームワークである。大規模RDF知識グラフから作成したグラフ機械学習のための新しいベンチマークデータセットを4つ提示する。
論文参考訳（メタデータ） (2024-07-26T13:44:06Z)
RDFGraphGen: A Synthetic RDF Graph Generator based on SHACL Constraints [0.0]
本稿では、SHACL制約に基づく合成RDFグラフのドメイン依存生成であるRDFGraphGenを紹介する。 RDFGraphGenの目的は、ベンチマーク、テスト、品質管理、トレーニングなどの目的で、小規模、中規模のRDF知識グラフを作成することである。
論文参考訳（メタデータ） (2024-07-25T10:58:50Z)
Multimodal Learned Sparse Retrieval with Probabilistic Expansion Control [66.78146440275093]
学習検索(LSR)は、クエリとドキュメントを疎語彙ベクトルにエンコードするニューラルネットワークのファミリーである。テキスト画像検索に焦点をあて,マルチモーダル領域へのLSRの適用について検討する。 LexLIPやSTAIRのような現在のアプローチでは、大規模なデータセットで複雑なマルチステップのトレーニングが必要です。提案手法は, 密度ベクトルを凍結密度モデルからスパース語彙ベクトルへ効率的に変換する。
論文参考訳（メタデータ） (2024-02-27T14:21:56Z)
Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文参考訳（メタデータ） (2024-01-12T17:57:07Z)
RDF-star2Vec: RDF-star Graph Embeddings for Data Mining [1.6492989697868894]
本研究では、RDF-star2Vecという、RDF-starグラフのための新しい知識グラフ埋め込みモデルを紹介する。複雑なRDF星グラフに着目したデータマイニングタスクのためのデータセットとベンチマークフレームワークを提供する。
論文参考訳（メタデータ） (2023-12-25T06:32:14Z)
Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。 IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
論文参考訳（メタデータ） (2022-06-17T09:40:14Z)
A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-16T22:46:33Z)
Relational Graph Convolutional Networks: A Closer Look [1.8428580623654864]
グラフ畳み込みネットワーク(RGCN)の再生について述べる。再現を用いて、モデルの背後にある直感を説明します。結果は,実装の正しさを実証的に検証した。
論文参考訳（メタデータ） (2021-07-21T11:25:11Z)
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)
Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文参考訳（メタデータ） (2020-05-16T04:44:29Z)
Towards Exploiting Implicit Human Feedback for Improving RDF2vec Embeddings [2.3605348648054463]
RDF2vecは、RDF知識グラフからベクトル空間埋め込みを作成する技術である。本稿では,外縁重みを用いたランダムウォークの誘導について検討する。
論文参考訳（メタデータ） (2020-04-09T08:39:19Z)

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。