論文の概要: STaR: Knowledge Graph Embedding by Scaling, Translation and Rotation

• arxiv url: http://arxiv.org/abs/2202.07130v1
• Date: Tue, 15 Feb 2022 02:06:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-16 15:01:15.707551
• Title: STaR: Knowledge Graph Embedding by Scaling, Translation and Rotation
• Title（参考訳）: STaR: スケーリング、翻訳、回転による知識グラフの埋め込み
• Authors: Jiayi Li, Yujiu Yang
• Abstract要約: ビリニア法は知識グラフ埋め込み(KGE)において主流であり、実体と関係性の低次元表現を学習することを目的としている。 以前の研究では、主に非可換性のような6つの重要なパターンが発見されている。 上述の2つの部分からなるバイリニアモデルスケーリング翻訳・回転(STaR)を提案する。
• 参考スコア（独自算出の注目度）: 20.297699026433065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The bilinear method is mainstream in Knowledge Graph Embedding (KGE), aiming to learn low-dimensional representations for entities and relations in Knowledge Graph (KG) and complete missing links. Most of the existing works are to find patterns between relationships and effectively model them to accomplish this task. Previous works have mainly discovered 6 important patterns like non-commutativity. Although some bilinear methods succeed in modeling these patterns, they neglect to handle 1-to-N, N-to-1, and N-to-N relations (or complex relations) concurrently, which hurts their expressiveness. To this end, we integrate scaling, the combination of translation and rotation that can solve complex relations and patterns, respectively, where scaling is a simplification of projection. Therefore, we propose a corresponding bilinear model Scaling Translation and Rotation (STaR) consisting of the above two parts. Besides, since translation cannot be incorporated into the bilinear model directly, we introduce translation matrix as the equivalent. Theoretical analysis proves that STaR is capable of modeling all patterns and handling complex relations simultaneously, and experiments demonstrate its effectiveness on commonly used benchmarks for link prediction.
• Abstract（参考訳）: バイリニア法は知識グラフ埋め込み(KGE)において主流であり、知識グラフ(KG)におけるエンティティと関係の低次元表現を学習し、完全に欠落したリンクを学習することを目的としている。 既存の仕事の多くは、関係のパターンを見つけ、それらを効果的にモデル化してこのタスクを達成することです。 以前の研究は、主に非可換性のような6つの重要なパターンを発見した。 いくつかの双線型手法はこれらのパターンをモデル化することに成功したが、1-to-N、N-to-1、N-to-N関係(あるいは複雑な関係)を同時に扱うことは無視され、表現性を損なう。 この目的のために、我々は、複雑な関係とパターンをそれぞれ解くことができる翻訳と回転の組み合わせであるスケーリングを統合し、スケーリングはプロジェクションの単純化である。 そこで本稿では,上記の2つの部分からなる2次モデルスケーリング変換と回転 (star) を提案する。 また、翻訳を双線形モデルに直接組み込むことができないため、翻訳行列を等価として導入する。 理論的解析により、STaRは全てのパターンをモデル化し、複雑な関係を同時に扱うことができることが証明された。

関連論文リスト

• Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
  グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。 本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。 我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
  論文  参考訳（メタデータ） (2024-11-08T17:40:43Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• Linearity of Relation Decoding in Transformer Language Models [82.47019600662874]
  トランスフォーマー言語モデル(LM)で符号化された知識の多くは、関係性の観点から表現することができる。 関係のサブセットに対して、この計算は対象表現上の1つの線形変換によってよく近似されることを示す。
  論文  参考訳（メタデータ） (2023-08-17T17:59:19Z)
• ProjB: An Improved Bilinear Biased ProjE model for Knowledge Graph Completion [1.5576879053213302]
  この研究は、計算の複雑さが低く、モデル改善の可能性が高いため、ProjE KGEを改善する。 FB15KやWN18のようなベンチマーク知識グラフ(KG)の実験結果から、提案手法はエンティティ予測タスクにおける最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-15T18:18:05Z)
• TranS: Transition-based Knowledge Graph Embedding with Synthetic Relation Representation [14.759663752868487]
  本稿では,知識グラフ埋め込みのためのトランジションベースの新しい手法TranSを提案する。 従来のスコアリングパターンの単一関係ベクトルを合成関係表現に置き換えることで、これらの問題を効果的かつ効率的に解決することができる。 大規模知識グラフデータセット ogbl-wikikg2 の実験は、我々のモデルが最先端の結果を達成することを示す。
  論文  参考訳（メタデータ） (2022-04-18T16:55:25Z)
• Learning Representations of Entities and Relations [0.0]
  この論文は,リンク予測タスクに取り組むことを目的とした知識グラフ表現の改善に焦点を当てている。 最初のコントリビューションはHypERであり、リンク予測性能を単純化し改善する畳み込みモデルである。 第2のコントリビューションは比較的単純な線形モデルであるTuckERで、このモデルが導入された時点では、最先端のリンク予測性能が得られた。 第3の貢献は、双曲空間に埋め込まれた最初のマルチリレーショナルグラフ表現モデルである MuRP である。
  論文  参考訳（メタデータ） (2022-01-31T09:24:43Z)
• RatE: Relation-Adaptive Translating Embedding for Knowledge Graph Completion [51.64061146389754]
  複素空間における新たな重み付き積の上に構築された関係適応変換関数を提案する。 次に、関係適応型翻訳埋め込み(RatE)アプローチを示し、各グラフを3倍にスコアする。
  論文  参考訳（メタデータ） (2020-10-10T01:30:30Z)
• DensE: An Enhanced Non-commutative Representation for Knowledge Graph Embedding with Adaptive Semantic Hierarchy [4.607120217372668]
  本研究では,関係の複雑な構成パターンをモデル化するための新しい知識グラフ埋め込み手法DensEを開発した。 本手法は,SO(3)群に基づく回転作用素と3次元ユークリッド空間におけるスケーリング作用素に各関係を分解する。 複数のベンチマーク知識グラフの実験結果から、DensEはリンク予測の欠如に対して現在の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2020-08-11T06:45:50Z)
• LineaRE: Simple but Powerful Knowledge Graph Embedding for Link Prediction [7.0294164380111015]
  本研究では,4つの接続パターンと4つのマッピング特性をモデル化可能な新しい埋め込みモデルLineaREを提案する。 複数の実世界のデータセットに対する実験結果から、提案したLineaREモデルは、リンク予測タスクのための既存の最先端モデルよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-21T14:19:43Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
  画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。 そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。 画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
  論文  参考訳（メタデータ） (2020-02-18T17:58:07Z)

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。