論文の概要: Geometric Algebra based Embeddings for Staticand Temporal Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2202.09464v1
• Date: Fri, 18 Feb 2022 22:52:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-23 08:42:02.876191
• Title: Geometric Algebra based Embeddings for Staticand Temporal Knowledge Graph Completion
• Title（参考訳）: 幾何学的代数に基づく静的・時間的知識グラフ補完のための埋め込み
• Authors: Chengjin Xu, Mojtaba Nayyeri, Yung-Yu Chen, and Jens Lehmann
• Abstract要約: 知識グラフ埋め込み(KGE)のための新しい幾何学的代数的埋め込み手法GeomEを提案する。 GeomEはいくつかの最先端KGEモデルを仮定し、多様な関係パターンをモデル化することができる。 時間的KGEに対してGeomEをTGeomEに拡張し、時間的KGの4階テンソル分解を行い、時間的表現学習のための新しい線形時間的正規化を考案する。
• 参考スコア（独自算出の注目度）: 13.062516271299831
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent years, Knowledge Graph Embeddings (KGEs) have shown promising performance on link prediction tasks by mapping the entities and relations from a Knowledge Graph (KG) into a geometric space and thus have gained increasing attentions. In addition, many recent Knowledge Graphs involve evolving data, e.g., the fact (\textit{Obama}, \textit{PresidentOf}, \textit{USA}) is valid only from 2009 to 2017. This introduces important challenges for knowledge representation learning since such temporal KGs change over time. In this work, we strive to move beyond the complex or hypercomplex space for KGE and propose a novel geometric algebra based embedding approach, GeomE, which uses multivector representations and the geometric product to model entities and relations. GeomE subsumes several state-of-the-art KGE models and is able to model diverse relations patterns. On top of this, we extend GeomE to TGeomE for temporal KGE, which performs 4th-order tensor factorization of a temporal KG and devises a new linear temporal regularization for time representation learning. Moreover, we study the effect of time granularity on the performance of TGeomE models. Experimental results show that our proposed models achieve the state-of-the-art performances on link prediction over four commonly-used static KG datasets and four well-established temporal KG datasets across various metrics.
• Abstract（参考訳）: 近年,知識グラフ埋め込み (kges) は,知識グラフ (kg) の実体と関係を幾何学空間にマッピングすることで,リンク予測タスクにおいて有望な性能を示し,注目されている。 さらに、最近の知識グラフの多くは、2009年から2017年までしか有効ではないという事実(例えば、\textit{Obama}, \textit{PresidentOf}, \textit{USA})が進化するデータを含んでいる。 このような時間的KGが時間とともに変化するため、知識表現学習の重要な課題がもたらされる。 本研究では,KGEの複素あるいは超複素空間を超えて,多ベクトル表現と幾何積を用いて実体と関係をモデル化する幾何学的代数的埋め込み手法GeomEを提案する。 GeomEはいくつかの最先端KGEモデルを仮定し、多様な関係パターンをモデル化することができる。 これに加えて、時空間KGの4次テンソル分解を行い、時間表現学習のための新しい線形時空間正規化を考案する時空間KGEのためのGeomEをTGeomEに拡張する。 さらに,時間粒度がTGeomEモデルの性能に及ぼす影響について検討した。 実験の結果,提案モデルでは,4つの静的KGデータセットと4つのよく確立された時間的KGデータセットに対して,リンク予測の最先端性能が得られた。

関連論文リスト

• A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications [67.33002207179923]
  本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。 幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。 また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
  論文  参考訳（メタデータ） (2024-03-01T12:13:04Z)
• Meta-Learning Based Knowledge Extrapolation for Temporal Knowledge Graph [4.103806361930888]
  時間的KG(TKG)は、静的トリプルとタイムスタンプを関連付けることで従来の知識グラフを拡張する。 本稿では,メタラーニングに基づく時間知識グラフ外挿法(MTKGE)モデルを提案する。 MTKGEは知識グラフ外挿法において既存の最先端モデルよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T09:52:26Z)
• Geometry Interaction Knowledge Graph Embeddings [153.69745042757066]
  ユークリッド空間,双曲空間,超球空間間の空間構造を対話的に学習する幾何学的相互作用知識グラフ埋め込み(GIE)を提案する。 提案したGIEは、よりリッチなリレーショナル情報、モデルキー推論パターンをキャプチャし、エンティティ間の表現的セマンティックマッチングを可能にする。
  論文  参考訳（メタデータ） (2022-06-24T08:33:43Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Temporal Knowledge Graph Reasoning Based on Evolutional Representation Learning [59.004025528223025]
  将来の事実を予測する鍵は、歴史的事実を徹底的に理解することです。 TKGは実際には異なるタイムスタンプに対応するKGのシーケンスである。 グラフ畳み込みネットワーク(GCN)に基づく新しいリカレント進化ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-04-21T05:12:21Z)
• Motif Learning in Knowledge Graphs Using Trajectories Of Differential Equations [14.279419014064047]
  知識グラフ埋め込み(KGE)は、リンク予測タスクで有望なパフォーマンスを示している。 多くのKGEは平坦な幾何学を使い、複雑な構造を保存することができない。 正規微分方程式(ODE)の軌道上にKGのノードを埋め込む神経微分KGEを提案する。
  論文  参考訳（メタデータ） (2020-10-13T20:53:17Z)
• Knowledge Graph Embeddings in Geometric Algebras [14.269860621624392]
  幾何学代数に基づく新しいKG埋め込みフレームワークGeomEを紹介する。 我々のフレームワークは、最先端のKG埋め込みアプローチを仮定し、様々なキー関係パターンをモデル化する能力に有利である。 複数のベンチマーク知識グラフの実験結果から,提案手法はリンク予測のための既存の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） (2020-10-02T13:36:24Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)
• SE-KGE: A Location-Aware Knowledge Graph Embedding Model for Geographic Question Answering and Spatial Semantic Lifting [9.949690056661218]
  位置認識型KG埋め込みモデルSE-KGEを提案する。 点座標や地理的実体の境界ボックスなどの空間情報をKG埋め込み空間にエンコードする。 また、SE-KGEの性能を評価するために、地理知識グラフと、DBGeoと呼ばれる地理的問合せ対のセットを構築した。
  論文  参考訳（メタデータ） (2020-04-25T17:46:31Z)
• 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)

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。