論文の概要: CAKE: A Scalable Commonsense-Aware Framework For Multi-View Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2202.13785v1
• Date: Fri, 25 Feb 2022 03:30:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 14:26:40.314736
• Title: CAKE: A Scalable Commonsense-Aware Framework For Multi-View Knowledge Graph Completion
• Title（参考訳）: CAKE: マルチビュー知識グラフ補完のためのスケーラブルなCommonsense-Awareフレームワーク
• Authors: Guanglin Niu, Bo Li, Yongfei Zhang, Shiliang Pu
• Abstract要約: 従来の知識グラフの埋め込み技術は、不正なネガティブサンプリングとファクトビューリンク予測の不確実性に悩まされている。 本稿では,現実の3重項から実体概念を自動抽出する,新規でスケーラブルなCommonsense-Aware Knowledge Embedding (CAKE)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 43.172893405453266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graphs store a large number of factual triples while they are still incomplete, inevitably. The previous knowledge graph completion (KGC) models predict missing links between entities merely relying on fact-view data, ignoring the valuable commonsense knowledge. The previous knowledge graph embedding (KGE) techniques suffer from invalid negative sampling and the uncertainty of fact-view link prediction, limiting KGC's performance. To address the above challenges, we propose a novel and scalable Commonsense-Aware Knowledge Embedding (CAKE) framework to automatically extract commonsense from factual triples with entity concepts. The generated commonsense augments effective self-supervision to facilitate both high-quality negative sampling (NS) and joint commonsense and fact-view link prediction. Experimental results on the KGC task demonstrate that assembling our framework could enhance the performance of the original KGE models, and the proposed commonsense-aware NS module is superior to other NS techniques. Besides, our proposed framework could be easily adaptive to various KGE models and explain the predicted results.
• Abstract（参考訳）: 知識グラフは、必然的に不完全である間に、多数の実数三重を格納する。 これまでの知識グラフ補完(KGC)モデルは、ファクトビューデータにのみ依存するエンティティ間の欠落を予測し、貴重なコモンセンス知識を無視した。 従来の知識グラフ埋め込み(KGE)技術は、不正なネガティブサンプリングとファクトビューリンク予測の不確実性に悩まされ、KGCの性能が制限された。 上記の課題に対処するため、我々は、現実の三重項から実体概念を自動抽出する、新しくスケーラブルなCommonsense-Aware Knowledge Embedding (CAKE)フレームワークを提案する。 生成したコモンセンスは、高品質なネガティブサンプリング(NS)と共同コモンセンスとファクトビューリンク予測の両方を容易にする効果的な自己スーパービジョンを増強する。 KGC タスクにおける実験結果から,我々のフレームワークを組み立てることによって,元の KGE モデルの性能が向上し,提案する Commonsense-Aware NS モジュールが他の NS 技術よりも優れていることが示された。 さらに,提案するフレームワークは,様々なKGEモデルに容易に適応でき,予測結果を説明できる。

関連論文リスト

• CausE: Towards Causal Knowledge Graph Embedding [13.016173217017597]
  知識グラフ埋め込み(KGE)は、知識グラフ(KG)の連続ベクトル空間への実体と関係を表現することに焦点を当てている。 我々はKGEの新しいパラダイムを因果関係と非絡み込みの文脈で構築する。 本稿では,CausE(Causality Enhanced Knowledge Graph Embedding)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-21T14:25:39Z)
• Retrieval-Enhanced Contrastive Vision-Text Models [61.783728119255365]
  そこで本研究では,メモリから取得したクロスモーダルな情報を推論時に表現することで,その埋め込みを洗練できる視覚テキストモデルを提案する。 注目すべきことに、これは凍ったCLIPの上に軽量の単層核融合トランスを用いて行うことができる。 検索強化コントラスト訓練(RECO)がCLIPの性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-06-12T15:52:02Z)
• How to Turn Your Knowledge Graph Embeddings into Generative Models [10.466244652188777]
  リンク予測のための最も成功した知識グラフ埋め込み(KGE)モデルは、エネルギーベースモデルとして解釈できる。 この研究は、これらのKGEのスコア関数を回路として再解釈する。 我々の解釈では、リンク予測のパフォーマンスがほとんど、あるいは全く失われていない。
  論文  参考訳（メタデータ） (2023-05-25T11:30:27Z)
• Analogical Inference Enhanced Knowledge Graph Embedding [5.3821360049964815]
  我々は、アナログ推論機能を備えたKGEモデルを強化するための、新規で汎用的な自己教師型フレームワークAnKGEを提案する。 アナログオブジェクト検索器は、エンティティレベル、リレーレベル、トリプルレベルから適切なアナログオブジェクトを検索する。 AnKGEはリンク予測タスクの競合結果を達成し、アナログ推論をうまく行う。
  論文  参考訳（メタデータ） (2023-01-03T07:24:05Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
  ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。 我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
  論文  参考訳（メタデータ） (2022-06-08T23:34:39Z)
• GCoNet+: A Stronger Group Collaborative Co-Salient Object Detector [156.43671738038657]
  本稿では,GCoNet+と呼ばれる新しいグループ協調学習ネットワークを提案する。 GCoNet+は自然界における共存対象を効果的かつ効率的に識別することができる。
  論文  参考訳（メタデータ） (2022-05-30T23:49:19Z)
• CascadER: Cross-Modal Cascading for Knowledge Graph Link Prediction [22.96768147978534]
  本稿では,効率を向上しつつ,完全アンサンブルのランキング精度を維持するための階層型ランキングアーキテクチャCascaderを提案する。 CascadER は LM を用いて、より効率的な KGE の出力を再現し、KGE の精度向上を最大化しつつ、LM を最小限に呼び出すための適応的なサブセット選択方式に依存している。 実験により, モデル間の多様性と個々のモデルの信頼性信号の保存がカスケーダの有効性を説明するのに有効であることがわかった。
  論文  参考訳（メタデータ） (2022-05-16T22:55:45Z)
• Rethinking Graph Convolutional Networks in Knowledge Graph Completion [83.25075514036183]
  グラフ畳み込みネットワーク(GCN)は知識グラフ補完(KGC)においてますます人気が高まっている。 本稿では,代表的なGCNベースのKGCモデルを構築し,GCNのどの要因がKGCに重要なのかを明らかにする。 本稿では,既存のKGEモデルに線形変換されたエンティティ埋め込みを組み込む,LTE-KGEというシンプルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-08T11:36:18Z)
• How Does Knowledge Graph Embedding Extrapolate to Unseen Data: a Semantic Evidence View [13.575052133743505]
  我々は,知識グラフ埋め込み(KGE)が未知のデータにどのように当てはまるかを研究する。 また,セマンティック・エビデンス・アウェアメント・グラフニューラルネット(SE-GNN)と呼ばれる新しいGNNベースのKGEモデルを提案する。
  論文  参考訳（メタデータ） (2021-09-24T08:17:02Z)

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。