Fugu-MT 論文翻訳(概要): A*Net: A Scalable Path-based Reasoning Approach for Knowledge Graphs

論文の概要: A*Net: A Scalable Path-based Reasoning Approach for Knowledge Graphs

arxiv url: http://arxiv.org/abs/2206.04798v4
Date: Tue, 19 Sep 2023 01:03:42 GMT
ステータス: 処理完了
システム内更新日: 2023-09-20 20:39:59.710844
Title: A*Net: A Scalable Path-based Reasoning Approach for Knowledge Graphs
Title（参考訳）: A*Net:知識グラフのためのスケーラブルパスベースの推論アプローチ
Authors: Zhaocheng Zhu, Xinyu Yuan, Mikhail Galkin, Sophie Xhonneux, Ming Zhang, Maxime Gazeau, Jian Tang
Abstract要約: A*Netは知識グラフ推論のためのスケーラブルなパスベースの手法である。最短繰り返しパス問題に対するA*アルゴリズムにインスパイアされた我々のA*Netは、それぞれに重要なノードとエッジを選択する優先度関数を学習する。
参考スコア（独自算出の注目度）: 19.873384058276713
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Reasoning on large-scale knowledge graphs has been long dominated by embedding methods. While path-based methods possess the inductive capacity that embeddings lack, their scalability is limited by the exponential number of paths. Here we present A*Net, a scalable path-based method for knowledge graph reasoning. Inspired by the A* algorithm for shortest path problems, our A*Net learns a priority function to select important nodes and edges at each iteration, to reduce time and memory footprint for both training and inference. The ratio of selected nodes and edges can be specified to trade off between performance and efficiency. Experiments on both transductive and inductive knowledge graph reasoning benchmarks show that A*Net achieves competitive performance with existing state-of-the-art path-based methods, while merely visiting 10% nodes and 10% edges at each iteration. On a million-scale dataset ogbl-wikikg2, A*Net not only achieves a new state-of-the-art result, but also converges faster than embedding methods. A*Net is the first path-based method for knowledge graph reasoning at such scale.
Abstract（参考訳）: 大規模知識グラフの推論は、長い間埋め込み手法に支配されてきた。パスベースの手法は埋め込みに欠けているインダクティブキャパシティを持っているが、そのスケーラビリティは指数的なパス数によって制限される。本稿では,知識グラフ推論のためのスケーラブルなパスベース手法であるA*Netを紹介する。最短経路問題に対するa*アルゴリズムにインスパイアされたa*netは、各イテレーションで重要なノードとエッジを選択し、トレーニングと推論の時間とメモリフットプリントを削減する優先関数を学習します。選択されたノードとエッジの比率は、パフォーマンスと効率のトレードオフとして指定できる。トランスダクティブグラフとインダクティブナレッジグラフの両方の推論ベンチマーク実験では、a*netが既存の最先端のパスベースメソッドと競合性能を達成し、各イテレーションで単に10%のノードと10%のエッジを訪問している。 A*Netは、100万スケールのデータセットogbl-wikikg2上で、新しい最先端の結果を達成するだけでなく、埋め込みメソッドよりも早く収束する。 A*Netはそのようなスケールでの知識グラフ推論のための最初のパスベースの手法である。

関連論文リスト

Probabilistic Routing for Graph-Based Approximate Nearest Neighbor Search [3.934351369702082]
高次元空間における近似近接探索(ANNS)は、機械学習分野における重要な課題である。本稿では,グラフ内のノードの近傍を探索する際の確率的保証を提供する手法を提案する。次に,グラフ内のどの近傍が正確な距離計算を行うべきかを効率的に同定する新しい手法PEOを紹介する。
論文参考訳（メタデータ） (2024-02-17T18:08:37Z)
Distance-Based Propagation for Efficient Knowledge Graph Reasoning [43.138409280069204]
知識グラフ補完(KGC)は、知識グラフ(KG)の未確認エッジを予測することを目的とする。経路情報を集約することでこの問題に対処する新しい手法が提案されている。新たな手法であるTAGNetは、効率的に情報を伝達することができる。
論文参考訳（メタデータ） (2023-11-02T06:37:46Z)
Learning Graph Search Heuristics [48.83557172525969]
本稿では,新しいニューラルネットワークと学習アルゴリズムであるPHIL(Path Heuristic with Imitation Learning)について述べる。我々の関数は、ノード距離の推測に有用なグラフ埋め込みを学習し、グラフサイズに依存しない一定時間で実行し、テスト時にA*のようなアルゴリズムに容易に組み込むことができる。実験の結果、PHILはベンチマークデータセットの最先端の手法と比較して平均58.5%の探索ノード数を削減している。
論文参考訳（メタデータ） (2022-12-07T22:28:00Z)
GraphWalks: Efficient Shape Agnostic Geodesic Shortest Path Estimation [93.60478281489243]
3次元曲面上の測地線経路を近似する学習可能なネットワークを提案する。提案手法は,最短経路の効率的な近似と測地距離推定を提供する。
論文参考訳（メタデータ） (2022-05-30T16:22:53Z)
DOTIN: Dropping Task-Irrelevant Nodes for GNNs [119.17997089267124]
最近のグラフ学習アプローチでは、学習のためのグラフのサイズを減らすためのプール戦略が導入されている。我々はDOTIN(underlineDrunderlineopping underlineTask-underlineIrrelevant underlineNodes)と呼ばれる新しいアプローチを設計し、グラフのサイズを減らす。本手法は,グラフ分類やグラフ編集距離を含むグラフレベルのタスクにおいて,GATを約50%高速化する。
論文参考訳（メタデータ） (2022-04-28T12:00:39Z)
Road Extraction from Overhead Images with Graph Neural Networks [18.649284163019516]
本稿では,最終道路グラフを1パスで直接推測する手法を提案する。鍵となるアイデアは、関心点の特定を担当する完全な畳み込みネットワークと、これらのポイント間のリンクを予測するグラフニューラルネットワークを組み合わせることである。我々は,一般的なRoadTracerデータセット上の既存の作業に対して評価を行い,競合する結果を得た。
論文参考訳（メタデータ） (2021-12-09T21:10:27Z)
Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文参考訳（メタデータ） (2021-03-30T08:58:45Z)
Cream of the Crop: Distilling Prioritized Paths For One-Shot Neural Architecture Search [60.965024145243596]
ワンショット重み共有手法は、高効率と競争性能のため、最近、ニューラルアーキテクチャ探索において大きな注目を集めている。この問題を軽減するため, 単純で効果的な蒸留法を提案する。本稿では、訓練中に優れた性能を示すアーキテクチャ候補を指す優先順位付けパスの概念を紹介する。優先順位付けされた経路は、その性能や複雑さに応じて、ハエで変化するため、最終的な経路は作物のクリームである。
論文参考訳（メタデータ） (2020-10-29T17:55:05Z)
Scalable Graph Neural Networks via Bidirectional Propagation [89.70835710988395]
グラフニューラルネットワーク(GNN)は、非ユークリッドデータを学習するための新興分野である。本稿では、特徴ベクトルとトレーニング/テストノードの両方から局所的な双方向伝搬プロセスを利用するスケーラブルなGNNであるGBPを提案する。実証実験により、GBPは、トレーニング/テスト時間を大幅に減らして最先端のパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2020-10-29T08:55:33Z)
Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。 CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
論文参考訳（メタデータ） (2020-10-25T22:39:31Z)
Shortest path distance approximation using deep learning techniques [0.43461794560295636]
埋め込みを施したフィードフォワードニューラルネットワークは、比較的低い歪み誤差で距離を近似できることを示す。提案手法は,Facebook,BlogCatalog,Youtube,Flickrのソーシャルネットワーク上で評価される。
論文参考訳（メタデータ） (2020-02-12T21:59:25Z)

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。