論文の概要: HousE: Knowledge Graph Embedding with Householder Parameterization

• arxiv url: http://arxiv.org/abs/2202.07919v1
• Date: Wed, 16 Feb 2022 08:13:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-17 14:56:19.891867
• Title: HousE: Knowledge Graph Embedding with Householder Parameterization
• Title（参考訳）: HousE: 世帯パラメータを組み込んだ知識グラフ
• Authors: Rui Li, Jianan Zhao, Chaozhuo Li, Di He, Yiqi Wang, Yuming Liu, Hao Sun, Senzhang Wang, Weiwei Deng, Yanming Shen, Xing Xie, Qi Zhang
• Abstract要約: 我々はHousEという名前のより強力な知識グラフ埋め込みフレームワークを提案する。 HousEは重要な関係パターンとマッピング特性を同時にモデル化することができる。 HousEは5つのベンチマークデータセット上で、最先端のパフォーマンスを新たに達成する。
• 参考スコア（独自算出の注目度）: 47.917601947175775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The effectiveness of knowledge graph embedding (KGE) largely depends on the ability to model intrinsic relation patterns and mapping properties. However, existing approaches can only capture some of them with insufficient modeling capacity. In this work, we propose a more powerful KGE framework named HousE, which involves a novel parameterization based on two kinds of Householder transformations: (1) Householder rotations to achieve superior capacity of modeling relation patterns; (2) Householder projections to handle sophisticated relation mapping properties. Theoretically, HousE is capable of modeling crucial relation patterns and mapping properties simultaneously. Besides, HousE is a generalization of existing rotation-based models while extending the rotations to high-dimensional spaces. Empirically, HousE achieves new state-of-the-art performance on five benchmark datasets. Our code is available at https://github.com/anrep/HousE.
• Abstract（参考訳）: 知識グラフ埋め込み(KGE)の有効性は、固有関係パターンとマッピング特性をモデル化する能力に大きく依存する。 しかし、既存のアプローチはモデリング能力に乏しいものしか捕捉できない。 本研究では,より強力なkgeフレームワークであるhouseを提案する。これは2種類の家計変換に基づく新しいパラメータ化を伴い,(1)家計回転によるモデリング能力の向上,(2)家計投影による洗練された関係マッピング特性の処理を提案する。 理論的には、HousEは重要な関係パターンとマッピング特性を同時にモデル化することができる。 さらに、HousEは、回転を高次元空間に拡張しながら、既存の回転ベースのモデルの一般化である。 経験上、houseは5つのベンチマークデータセットで最先端のパフォーマンスを達成している。 私たちのコードはhttps://github.com/anrep/houseで利用可能です。

関連論文リスト

• Knowledge Graph Embeddings: A Comprehensive Survey on Capturing Relation Properties [5.651919225343915]
  知識グラフ埋め込み(KGE)技術は、記号的知識グラフを数値表現に変換する上で重要な役割を果たしている。 本稿では、一対一、一対多、多対一、多対多といった関係に固有の複素写像特性について述べる。 我々は、KGEにマルチモーダル情報を統合すること、規則付き関係パターンモデリングを強化すること、動的KGE設定における関係特性を捉えるモデルを開発することなど、革新的なアイデアを探求する。
  論文  参考訳（メタデータ） (2024-10-16T08:54:52Z)
• IFH: a Diffusion Framework for Flexible Design of Graph Generative Models [53.219279193440734]
  グラフ生成モデルは,1行にグラフを生成するワンショットモデルと,ノードとエッジの連続的な付加によるグラフを生成するシーケンシャルモデルという,2つの顕著なファミリーに分類される。 本稿では,逐次度を規定するグラフ生成モデルであるInsert-Fill-Halt(IFH)を提案する。
  論文  参考訳（メタデータ） (2024-08-23T16:24:40Z)
• Duality-Induced Regularizer for Semantic Matching Knowledge Graph Embeddings [70.390286614242]
  本稿では, 類似のセマンティクスを持つエンティティの埋め込みを効果的に促進する新しい正規化器(duality-induced RegulArizer (DURA))を提案する。 実験により、DURAは、最先端のセマンティックマッチングモデルの性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2022-03-24T09:24:39Z)
• ConE: Cone Embeddings for Multi-Hop Reasoning over Knowledge Graphs [73.86041481470261]
  Cone Embeddings (ConE) は、接続、解離、否定を扱える最初の幾何学ベースのクエリ埋め込みモデルである。 ConEは、ベンチマークデータセットの既存の最先端メソッドを大幅に上回る。
  論文  参考訳（メタデータ） (2021-10-26T14:04:02Z)
• Scalable knowledge base completion with superposition memories [7.754062965937491]
  本稿では,知識ベース補完のためのニューラルネットワークであるハーモニックメモリネットワーク(HMem)を提案する。 HMemはエンティティを、エンティティの隣人と対応する関係の間のペアワイズ結合の重み付け和としてモデル化する。 WNGenとFBGenの2つの新しいデータセットでこれを実証する。
  論文  参考訳（メタデータ） (2021-10-24T03:18:04Z)
• QuatDE: Dynamic Quaternion Embedding for Knowledge Graph Completion [4.837804582368272]
  我々は,様々な関係パターンを明示的に捉えるための動的マッピング戦略を備えた新しいモデルQuatDEを提案する。 実験結果から,QuatDEは3つの確立された知識グラフ補完ベンチマークで最先端の性能を達成できた。
  論文  参考訳（メタデータ） (2021-05-19T09:10:39Z)
• 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)
• CoSE: Compositional Stroke Embeddings [52.529172734044664]
  本稿では、ストロークベースの描画タスクのような複雑な自由形式構造に対する生成モデルを提案する。 我々のアプローチは、自動補完図のようなインタラクティブなユースケースに適している。
  論文  参考訳（メタデータ） (2020-06-17T15:22:54Z)
• SEEK: Segmented Embedding of Knowledge Graphs [77.5307592941209]
  本稿では,モデル複雑性を増大させることなく,高い競争力を持つ関係表現性を実現する軽量なモデリングフレームワークを提案する。 本フレームワークは,評価関数の設計に重点を置いており,1)十分な特徴相互作用の促進,2)関係の対称性と反対称性の両特性の保存,という2つの重要な特徴を強調している。
  論文  参考訳（メタデータ） (2020-05-02T15:15:50Z)

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。