論文の概要: Positive-Unlabeled Learning with Adversarial Data Augmentation for Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2205.00904v1
• Date: Mon, 2 May 2022 13:33:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 13:19:13.261287
• Title: Positive-Unlabeled Learning with Adversarial Data Augmentation for Knowledge Graph Completion
• Title（参考訳）: 知識グラフ補完のための逆データ拡張による正非ラベル学習
• Authors: Zhenwei Tang, Shichao Pei, Zhao Zhang, Yongchun Zhu, Fuzhen Zhuang, Robert Hoehndorf, Xiangliang Zhang
• Abstract要約: 本稿では,知識グラフ補完のための逆データ拡張(PUDA)を用いた正の非ラベル学習を提案する。 PUDAは、偽陰性問題に対処するために、KGCタスクの正の未ラベルリスク推定器を調整します。 データ空間の問題に対処するため、PUDAは、敵対的トレーニングと正の非ラベル学習を統合することにより、データ拡張戦略を達成する。
• 参考スコア（独自算出の注目度）: 41.34363699523586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most real-world knowledge graphs (KG) are far from complete and comprehensive. This problem has motivated efforts in predicting the most plausible missing facts to complete a given KG, i.e., knowledge graph completion (KGC). However, existing KGC methods suffer from two main issues, 1) the false negative issue, i.e., the candidates for sampling negative training instances include potential true facts; and 2) the data sparsity issue, i.e., true facts account for only a tiny part of all possible facts. To this end, we propose positive-unlabeled learning with adversarial data augmentation (PUDA) for KGC. In particular, PUDA tailors positive-unlabeled risk estimator for the KGC task to deal with the false negative issue. Furthermore, to address the data sparsity issue, PUDA achieves a data augmentation strategy by unifying adversarial training and positive-unlabeled learning under the positive-unlabeled minimax game. Extensive experimental results demonstrate its effectiveness and compatibility.
• Abstract（参考訳）: ほとんどの現実世界の知識グラフ(KG)は完全で包括的ではない。 この問題は、与えられたKG、すなわち知識グラフ完備化(KGC)を完遂する最も確実な欠落事実を予測する努力を動機付けている。 しかし、既存のKGC法には2つの大きな問題がある。 1)偽陰性問題、すなわち負のトレーニングインスタンスをサンプリングする候補には、潜在的な事実が含まれる。 2)データスパーシティの問題、すなわち真事実は、可能なすべての事実のほんの一部しか説明できない。 そこで本稿では,KGC に対する逆データ拡張 (PUDA) を用いた正の非ラベル学習を提案する。 特にPUDAは、偽陰性問題に対処するために、KGCタスクの正の未ラベルリスク推定器を調整している。 さらに、このデータ分散問題に対処するため、PUDAは、正の未ラベルのミニマックスゲームの下で、敵対的トレーニングと正の未ラベル学習を統合することにより、データ拡張戦略を実現する。 広範な実験結果は、その効果と互換性を示している。

関連論文リスト

• Safe Semi-Supervised Contrastive Learning Using In-Distribution Data as Positive Examples [3.4546761246181696]
  本稿では,大量のラベルのないデータを完全に活用するための,自己教師付きコントラスト学習手法を提案する。 その結果,自己指導型コントラスト学習は分類精度を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2024-08-03T22:33:13Z)
• Unraveling the Impact of Heterophilic Structures on Graph Positive-Unlabeled Learning [71.9954600831939]
  実世界の多くのシナリオにおいて、肯定的無ラベル(PU)学習は不可欠であるが、そのグラフデータへの応用は未探索のままである。 グラフ上でのPU学習において重要な課題がエッジヘテロフィリーにあり、クラスプライア推定の既約性前提に直接違反していることを明らかにする。 この課題に対応するために,ラベル伝搬損失(GPL)を用いたグラフPU学習という新しい手法を導入する。
  論文  参考訳（メタデータ） (2024-05-30T10:30:44Z)
• Overcoming Pitfalls in Graph Contrastive Learning Evaluation: Toward Comprehensive Benchmarks [60.82579717007963]
  本稿では,グラフコントラスト学習(GCL)手法の有効性,一貫性,全体的な能力をより正確に評価するために,拡張された評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-24T01:47:56Z)
• Noisy Positive-Unlabeled Learning with Self-Training for Speculative Knowledge Graph Reasoning [31.62771133978441]
  本稿では, 実世界の知識グラフ(KG)の投機的推論タスクについて検討する。これは, 真偽否定問題(すなわち, 否定される可能性のある事実)と正正問題(信頼できない事実や時代遅れな事実を含む)の両方を含む。 我々は,収集された事実と未収集事実の両方の正しさを共同で推定する変分フレームワーク,すなわちnPUGraphを提案する。
  論文  参考訳（メタデータ） (2023-06-13T02:43:21Z)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• Recovering the Unbiased Scene Graphs from the Biased Ones [99.24441932582195]
  ラベルが不足しているため、シーングラフ生成(SGG)は「肯定的・未ラベルデータからの学習」(PU学習)問題とみなすことができる。 本稿では,複数のトレーニングイテレーションにまたがって,トレーニング時のデータ拡張と平均値を活用するために,動的ラベル周波数推定(DLFE)を提案する。 拡張実験の結果,DLFEは従来の推定法よりもラベル周波数の推定に有効であり,DLFEは長い尾を著しく緩和することがわかった。
  論文  参考訳（メタデータ） (2021-07-05T16:10:41Z)
• Revisiting the Negative Data of Distantly Supervised Relation Extraction [17.00557139562208]
  遠隔監視は、関係抽出のための多くのトレーニングサンプルを自動的に生成する。 また、ノイズラベルと不均衡なトレーニングデータという2つの大きな問題も発生している。 そこで我々はtextscReRe と呼ばれるパイプライン手法を提案し,文レベルの関係検出を行い,対象/対象抽出を行う。
  論文  参考訳（メタデータ） (2021-05-21T06:44:19Z)
• MixPUL: Consistency-based Augmentation for Positive and Unlabeled Learning [8.7382177147041]
  本稿では, 整合性正規化に基づく簡易かつ効果的なデータ拡張手法である coinedalgo を提案する。 アルゴインコーポレートは、拡張データを生成するために、教師付きおよび教師なしの一貫性トレーニングを行う。 我々は,CIFAR-10データセットの分類誤差を16.49から13.09まで,それぞれ異なる正のデータ量で平均的に改善したことを示す。
  論文  参考訳（メタデータ） (2020-04-20T15:43:33Z)
• Reinforced Negative Sampling over Knowledge Graph for Recommendation [106.07209348727564]
  我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(kgPolicy)を開発した。 kgPolicyは、ターゲットのポジティブなインタラクションからナビゲートし、知識を意識したネガティブなシグナルを適応的に受信し、最終的にはリコメンダをトレーニングする潜在的なネガティブなアイテムを生成する。
  論文  参考訳（メタデータ） (2020-03-12T12:44:30Z)
• Learning from Positive and Unlabeled Data with Arbitrary Positive Shift [11.663072799764542]
  本稿では,未ラベルデータに対して任意の非表現陽性データであってもPU学習が可能であることを示す。 これを統計的に一貫した2つの手法に統合し、任意の正のバイアスに対処する。 実験により,多数の実世界のデータセットにまたがる手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-02-24T13:53:22Z)

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。