論文の概要: Hyperbolic Hierarchical Knowledge Graph Embeddings for Link Prediction
in Low Dimensions
- arxiv url: http://arxiv.org/abs/2204.13704v2
- Date: Fri, 23 Feb 2024 15:38:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-26 18:55:29.813260
- Title: Hyperbolic Hierarchical Knowledge Graph Embeddings for Link Prediction
in Low Dimensions
- Title（参考訳）: 低次元リンク予測のための双曲的階層的知識グラフ埋め込み
- Authors: Wenjie Zheng, Wenxue Wang, Shu Zhao and Fulan Qian
- Abstract要約: 我々は、$textbfHyp$erbolic $textbfH$ierarchical $textbfKGE$ (HypHKGE)と呼ばれる新しいKGEモデルを提案する。
このモデルは、双曲空間に対する注意に基づく学習可能な曲率を導入し、リッチなセマンティック階層を保存するのに役立つ。
3つのベンチマークデータセットに対するHypHKGEモデルの有効性を示す実験を行った。
- 参考スコア（独自算出の注目度）: 11.260501547769636
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge graph embeddings (KGE) have been validated as powerful methods for
inferring missing links in knowledge graphs (KGs) that they typically map
entities into Euclidean space and treat relations as transformations of
entities. Recently, some Euclidean KGE methods have been enhanced to model
semantic hierarchies commonly found in KGs, improving the performance of link
prediction. To embed hierarchical data, hyperbolic space has emerged as a
promising alternative to traditional Euclidean space, offering high fidelity
and lower memory consumption. Unlike Euclidean, hyperbolic space provides
countless curvatures to choose from. However, it is difficult for existing
hyperbolic KGE methods to obtain the optimal curvature settings manually,
thereby limiting their ability to effectively model semantic hierarchies. To
address this limitation, we propose a novel KGE model called
$\textbf{Hyp}$erbolic $\textbf{H}$ierarchical $\textbf{KGE}$ (HypHKGE). This
model introduces attention-based learnable curvatures for hyperbolic space,
which helps preserve rich semantic hierarchies. Furthermore, to utilize the
preserved hierarchies for inferring missing links, we define hyperbolic
hierarchical transformations based on the theory of hyperbolic geometry,
including both inter-level and intra-level modeling. Experiments demonstrate
the effectiveness of the proposed HypHKGE model on the three benchmark datasets
(WN18RR, FB15K-237, and YAGO3-10). The source code will be publicly released at
https://github.com/wjzheng96/HypHKGE.
- Abstract（参考訳）: 知識グラフ埋め込み(KGE)は、知識グラフ(KG)に欠落したリンクを推測する強力な方法として検証され、通常はエンティティをユークリッド空間にマッピングし、関係をエンティティの変換として扱う。
近年、いくつかのユークリッドKGE法は、KGでよく見られる意味階層をモデル化するために拡張され、リンク予測の性能が向上した。
階層的なデータを埋め込むために、双曲空間は従来のユークリッド空間に代わる有望な代替として現れ、高い忠実度と低いメモリ消費を提供する。
ユークリッド空間とは異なり、双曲空間は無数の曲率を選べる。
しかし、既存の双曲的kge法では最適な曲率設定を手動で得ることが困難であり、意味階層を効果的にモデル化する能力が制限される。
この制限に対処するため、新しいKGEモデルである $\textbf{Hyp}$erbolic $\textbf{H}$ierarchical $\textbf{KGE}$ (HypHKGE)を提案する。
このモデルは、双曲空間に対する注意に基づく学習可能な曲率を導入し、リッチなセマンティック階層を保存するのに役立つ。
さらに,欠落したリンクを推定するために保存された階層を利用するために,階層的階層変換を,階層間モデリングと階層内モデリングの両方を含む双曲幾何学の理論に基づいて定義する。
実験では、3つのベンチマークデータセット(WN18RR, FB15K-237, YAGO3-10)に対するHypHKGEモデルの有効性が示された。
ソースコードはhttps://github.com/wjzheng96/HypHKGEで公開される。
関連論文リスト
- HAC: Hash-grid Assisted Context for 3D Gaussian Splatting Compression [55.6351304553003]
3D Gaussian Splatting (3DGS) は、新しいビュー合成のための有望なフレームワークとして登場した。
高速な3DGS表現のためのHash-grid Assisted Context (HAC) フレームワークを提案する。
私たちの研究は、コンテキストベースの3DGS表現の圧縮を探求するパイオニアです。
論文 参考訳（メタデータ） (2024-03-21T16:28:58Z) - A Unification Framework for Euclidean and Hyperbolic Graph Neural
Networks [8.080621697426997]
ハイパーボリックニューラルネットワークは、グラフデータセット固有の階層を効果的にキャプチャする。
層内の複数の非連続(ジャイロ-)ベクトル空間を絡み合わせることで、一般化と拡張性の観点から制限される。
検索空間としてPoincareディスクモデルを提案し,ディスク上にすべての近似を適用する。
我々のモデルは、解釈可能性や様々なモデルコンポーネントの効率的な実行といったユークリッドネットワークのパワーを利用するだけでなく、様々なベンチマークにおいてユークリッドと双曲の双方よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-09T05:33:02Z) - 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) - Enhancing Hyperbolic Graph Embeddings via Contrastive Learning [7.901082408569372]
複数の双曲空間を通してノード表現を学習する新しいハイパーボリックグラフコントラスト学習(HGCL)フレームワークを提案する。
複数の実世界のデータセットに対する実験結果は、提案したHGCLの優位性を示している。
論文 参考訳（メタデータ） (2022-01-21T06:10:05Z) - Modeling Heterogeneous Hierarchies with Relation-specific Hyperbolic
Cones [64.75766944882389]
知識グラフにおける複数の階層的および非階層的関係を同時にモデル化できるKG埋め込みモデルであるConE(Cone Embedding)を提案する。
特に、ConEは双曲埋め込み空間の異なる部分空間における円錐包含制約を用いて、複数の異種階層をキャプチャする。
我々のアプローチでは、WN18RRで45.3%、DDB14で16.1%の新しい最先端hits@1が得られる(0.231 MRR)。
論文 参考訳（メタデータ） (2021-10-28T07:16:08Z) - ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。
複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文 参考訳（メタデータ） (2021-10-15T07:18:57Z) - A Deep Latent Space Model for Graph Representation Learning [10.914558012458425]
本稿では,従来の潜時変動に基づく生成モデルをディープラーニングフレームワークに組み込むために,有向グラフのための深潜時空間モデル(DLSM)を提案する。
提案モデルは,階層的変動型オートエンコーダアーキテクチャによって階層的に接続されるグラフ畳み込みネットワーク(GCN)エンコーダとデコーダから構成される。
実世界のデータセットにおける実験により,提案モデルがリンク予測とコミュニティ検出の両タスクにおける最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2021-06-22T12:41:19Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳（メタデータ） (2021-03-25T09:31:41Z) - 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) - Low-Dimensional Hyperbolic Knowledge Graph Embeddings [40.32524961979543]
階層的および論理的パターンを同時にキャプチャする,双曲型KG埋め込みモデルのクラスを導入する。
実験の結果, 従来のユークリッド法および双曲型法よりも6.1%の低次元で改善が得られた。
高次元では、WN18RRでは49.6%、YAGO3-10では57.7%の新しい最先端MRRが得られる。
論文 参考訳（メタデータ） (2020-05-01T18:00:02Z)
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。