論文の概要: Geometry Interaction Knowledge Graph Embeddings

• arxiv url: http://arxiv.org/abs/2206.12418v1
• Date: Fri, 24 Jun 2022 08:33:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-03 12:59:53.959291
• Title: Geometry Interaction Knowledge Graph Embeddings
• Title（参考訳）: 幾何学的相互作用知識グラフ埋め込み
• Authors: Zongsheng Cao, Qianqian Xu, Zhiyong Yang, Xiaochun Cao, Qingming Huang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 153.69745042757066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph (KG) embeddings have shown great power in learning representations of entities and relations for link prediction tasks. Previous work usually embeds KGs into a single geometric space such as Euclidean space (zero curved), hyperbolic space (negatively curved) or hyperspherical space (positively curved) to maintain their specific geometric structures (e.g., chain, hierarchy and ring structures). However, the topological structure of KGs appears to be complicated, since it may contain multiple types of geometric structures simultaneously. Therefore, embedding KGs in a single space, no matter the Euclidean space, hyperbolic space or hyperspheric space, cannot capture the complex structures of KGs accurately. To overcome this challenge, we propose Geometry Interaction knowledge graph Embeddings (GIE), which learns spatial structures interactively between the Euclidean, hyperbolic and hyperspherical spaces. Theoretically, our proposed GIE can capture a richer set of relational information, model key inference patterns, and enable expressive semantic matching across entities. Experimental results on three well-established knowledge graph completion benchmarks show that our GIE achieves the state-of-the-art performance with fewer parameters.
• Abstract（参考訳）: 知識グラフ(KG)埋め込みは、エンティティの表現とリンク予測タスクの関係の学習において大きな力を示している。 以前の研究は通常、KGをユークリッド空間(ゼロ曲線)、双曲空間(負曲線)、球面空間(正曲線)のような単一の幾何学空間に埋め込んで、特定の幾何学構造(例えば鎖、階層構造、環構造)を維持する。 しかし、KGsの位相構造は、複数の幾何学的構造を同時に含むため、複雑であるように見える。 したがって、ユークリッド空間、双曲空間、超球面空間であっても、1つの空間にkgsを組み込むことは、kgsの複素構造を正確に捉えることができない。 この課題を克服するために,ユークリッド空間,双曲空間,超球面空間間の空間構造を対話的に学習する幾何相互作用知識グラフ埋め込み(gie)を提案する。 理論的には、提案したGIEはよりリッチな関係情報、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。 確立された3つのナレッジグラフ補完ベンチマークの実験結果から,gieは少ないパラメータで最先端のパフォーマンスを達成できた。

関連論文リスト

• IME: Integrating Multi-curvature Shared and Specific Embedding for Temporal Knowledge Graph Completion [97.58125811599383]
  時間的知識グラフ(TKG)は時間次元を取り入れており、知識の進化を正確に捉えることができる。 本稿では,TKGCタスクのための新しい多曲率共有固有埋め込み(IME)モデルを提案する。 IMEは2つの重要な性質、すなわち空間共有性と空間固有性を含んでいる。
  論文  参考訳（メタデータ） (2024-03-28T23:31:25Z)
• Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
  グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。 我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。 グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
  論文  参考訳（メタデータ） (2023-11-29T12:48:33Z)
• Alignment and Outer Shell Isotropy for Hyperbolic Graph Contrastive Learning [69.6810940330906]
  高品質なグラフ埋め込みを学習するための新しいコントラスト学習フレームワークを提案する。 具体的には、階層的なデータ不変情報を効果的にキャプチャするアライメントメトリックを設計する。 双曲空間において、木の性質に関連する葉と高さの均一性に対処する必要があることを示す。
  論文  参考訳（メタデータ） (2023-10-27T15:31:42Z)
• Complex Hyperbolic Knowledge Graph Embeddings with Fast Fourier Transform [29.205221688430733]
  知識グラフ(KG)埋め込みのための幾何学的空間の選択は、KG完了タスクの性能に大きな影響を与える。 複雑な双曲型幾何学の最近の研究は、様々な階層構造を捉えるための双曲型埋め込みをさらに改善した。 本稿では,マルチリレーショナルKG埋め込みにおける複素双曲幾何学の表現能力を活用することを目的とする。
  論文  参考訳（メタデータ） (2022-11-07T15:46:00Z)
• Dual-Geometric Space Embedding Model for Two-View Knowledge Graphs [32.47146018135465]
  2ビュー知識グラフ(KG)は、抽象概念と常識概念のオントロジービューと、特定のエンティティのインスタンスビューの2つのコンポーネントを共同で表現する。 KGの埋め込みに関する最近の研究は、KG全体が2つのビューのうちの1つにしか属さないが、同時には存在しないと仮定している。 複素非ユークリッド幾何学空間を用いて2次元KGをモデル化する双対幾何学空間埋め込みモデル(DGS)を構築する。
  論文  参考訳（メタデータ） (2022-09-19T05:11:10Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• 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)
• Ultrahyperbolic Knowledge Graph Embeddings [41.85886045379838]
  超双曲型KGを超双曲型(または擬リーマン多様体)に埋め込む。 特に、各関係を擬リーマン双線型形式を保存する擬直交変換としてモデル化する。 3つの標準KGの実験結果は、UltraEが以前のユークリッドおよび双曲型アプローチより優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-01T12:31:26Z)
• 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)

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。