論文の概要: ComDensE : Combined Dense Embedding of Relation-aware and Common Features for Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2206.14925v1
• Date: Wed, 29 Jun 2022 22:04:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-02 07:41:40.586002
• Title: ComDensE : Combined Dense Embedding of Relation-aware and Common Features for Knowledge Graph Completion
• Title（参考訳）: ComDensE : 知識グラフ補完のための関係認識と共通特徴を組み合わせた高密度埋め込み
• Authors: Minsang Kim, Seungjun Baek
• Abstract要約: ニューラルネットワークを用いた相関認識と共通特徴を組み合わせたComDensEを提案する。 ComDensEは、MRR、FB15k-237のHIT@1、WN18RRのHIT@1のリンク予測における最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 3.771779364624616
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world knowledge graphs (KG) are mostly incomplete. The problem of recovering missing relations, called KG completion, has recently become an active research area. Knowledge graph (KG) embedding, a low-dimensional representation of entities and relations, is the crucial technique for KG completion. Convolutional neural networks in models such as ConvE, SACN, InteractE, and RGCN achieve recent successes. This paper takes a different architectural view and proposes ComDensE which combines relation-aware and common features using dense neural networks. In the relation-aware feature extraction, we attempt to create relational inductive bias by applying an encoding function specific to each relation. In the common feature extraction, we apply the common encoding function to all input embeddings. These encoding functions are implemented using dense layers in ComDensE. ComDensE achieves the state-of-the-art performance in the link prediction in terms of MRR, HIT@1 on FB15k-237 and HIT@1 on WN18RR compared to the previous baseline approaches. We conduct an extensive ablation study to examine the effects of the relation-aware layer and the common layer of the ComDensE. Experimental results illustrate that the combined dense architecture as implemented in ComDensE achieves the best performance.
• Abstract（参考訳）: 実世界の知識グラフ(KG)はほとんど不完全である。 kg補完と呼ばれる欠落関係の回復問題は、近年、活発な研究分野となっている。 知識グラフ(kg)埋め込みは、実体と関係の低次元表現であり、kg補完の重要な技法である。 conve, sacn, interacte, rgcnなどのモデルの畳み込みニューラルネットワークは、最近の成功を達成している。 本稿では,ニューラルネットワークを用いた関係認識と共通特徴を組み合わせたComDensEを提案する。 関係認識特徴抽出では,各関係に特有の符号化関数を適用することにより,関係帰納的バイアスを発生させようとする。 共通特徴抽出では、全ての入力埋め込みに共通符号化関数を適用する。 これらの符号化機能はComDensEの高密度層を用いて実装される。 ComDensEは、MRR、FB15k-237のHIT@1、WN18RRのHIT@1といったリンク予測における最先端のパフォーマンスを、以前のベースラインアプローチと比較して達成する。 我々はComDensEの一般層と関係認識層の効果について広範囲にわたるアブレーション研究を行った。 実験結果から,ComDensEで実装された複合密集型アーキテクチャが最高の性能を発揮することが示された。

関連論文リスト

• DSparsE: Dynamic Sparse Embedding for Knowledge Graph Completion [10.963560900106835]
  知識グラフ補完のための動的スパース埋め込み(DSparsE)と呼ばれる新しい手法を提案する。 提案モデルでは,入力されたエンティティ-リレーションペアを動的層と関係対応層からなる浅層に埋め込む。 提案手法は,既存のベースライン手法と比較して,Hits@1の観点から最先端性能を実現することを実証した。
  論文  参考訳（メタデータ） (2024-09-22T08:25:41Z)
• Beyond Entity Alignment: Towards Complete Knowledge Graph Alignment via Entity-Relation Synergy [14.459419325027612]
  知識グラフアライメントは、個々の知識グラフの制限に対処するために、複数のソースからの知識を統合することを目的としている。 既存のモデルは、主にクロスグラフエンティティのリンクを強調するが、KG間の関係の整合性を見落としている。 本稿では,2つのサブタスクを反復的に最適化する新しい予測最大化モデルEREMを提案する。
  論文  参考訳（メタデータ） (2024-07-25T03:40:09Z)
• EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph Completion [54.12709176438264]
  Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。 現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。 そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
  論文  参考訳（メタデータ） (2024-02-15T02:27:23Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• 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)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
  本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。 二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。 理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
  論文  参考訳（メタデータ） (2021-01-25T13:31:29Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)
• Kernelized dense layers for facial expression recognition [10.98068123467568]
  本稿では,従来の線形関係ではなく,高次特徴相互作用をキャプチャするカーネル化Dense Layer (KDL)を提案する。 本モデルでは,最先端のアプローチに関して,競争力のある結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-09-22T21:02:00Z)

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。