論文の概要: CompoundE: Knowledge Graph Embedding with Translation, Rotation and Scaling Compound Operations

• arxiv url: http://arxiv.org/abs/2207.05324v1
• Date: Tue, 12 Jul 2022 05:41:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-13 13:04:49.087917
• Title: CompoundE: Knowledge Graph Embedding with Translation, Rotation and Scaling Compound Operations
• Title（参考訳）: CompoundE: 翻訳・回転・スケーリング操作を組み込んだ知識グラフ
• Authors: Xiou Ge, Yun-Cheng Wang, Bin Wang, C.-C. Jay Kuo
• Abstract要約: 本稿では,翻訳,回転,スケーリング操作を利用した知識グラフ埋め込みモデルを提案する。 翻訳、回転、スケーリング操作は複合モデルを形成するためにカスケードされるので、新しいモデルは CompoundE と呼ばれる。
• 参考スコア（独自算出の注目度）: 32.528770408502396
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Translation, rotation, and scaling are three commonly used geometric manipulation operations in image processing. Besides, some of them are successfully used in developing effective knowledge graph embedding (KGE) models such as TransE and RotatE. Inspired by the synergy, we propose a new KGE model by leveraging all three operations in this work. Since translation, rotation, and scaling operations are cascaded to form a compound one, the new model is named CompoundE. By casting CompoundE in the framework of group theory, we show that quite a few scoring-function-based KGE models are special cases of CompoundE. CompoundE extends the simple distance-based relation to relation-dependent compound operations on head and/or tail entities. To demonstrate the effectiveness of CompoundE, we conduct experiments on three popular KG completion datasets. Experimental results show that CompoundE consistently achieves the state of-the-art performance.
• Abstract（参考訳）: 翻訳、回転、スケーリングは、画像処理で一般的に使用される幾何学的操作である。 さらに、それらのいくつかは、TransEやRotatEのような効果的な知識グラフ埋め込み(KGE)モデルの開発に成功している。 このシナジーに触発されて,本研究における3つの操作をすべて活用した新しいKGEモデルを提案する。 翻訳、回転、スケーリング操作は複合モデルを形成するためにカスケードされるので、新しいモデルは CompoundE と呼ばれる。 群論の枠組みで CompoundE を鋳造することにより、数個のスコアリング関数に基づく KGE モデルが CompoundE の特別な場合であることを示す。 CompoundEは、頭および/または尾のエンティティ上の関係依存化合物操作と単純な距離ベース関係を拡張する。 提案手法の有効性を示すため,3つのKG完了データセットを用いて実験を行った。 実験結果から, コンベンションEは一貫して技術性能を達成することがわかった。

関連論文リスト

• Prompt Based Tri-Channel Graph Convolution Neural Network for Aspect Sentiment Triplet Extraction [63.0205418944714]
  Aspect Sentiment Triplet extract (ASTE)は、ある文の三つ子を抽出する新しいタスクである。 近年の研究では、単語関係を二次元テーブルにエンコードするテーブル充填パラダイムを用いてこの問題に対処する傾向にある。 本稿では, 関係表をグラフに変換し, より包括的な関係情報を探索する, Prompt-based Tri-Channel Graph Convolution Neural Network (PT-GCN) と呼ばれるASTEタスクの新しいモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-18T12:46:09Z)
• Knowledge Graph Embedding: An Overview [42.16033541753744]
  本稿では,知識グラフの完成に関する現在の研究状況について概観する。 我々は,KG埋め込み(KGE)設計の2つの主要分野に焦点を当てた:1)距離ベース手法と2)意味マッチング方式である。 次に,2次元および3次元アフィン操作からインスピレーションを得る複合Eと複合E3Dを探索する。
  論文  参考訳（メタデータ） (2023-09-21T21:52:42Z)
• A Comprehensive Study on Knowledge Graph Embedding over Relational Patterns Based on Rule Learning [49.09125100268454]
  KGE(Knowledge Graph Embedding)は、KGC(Knowledge Completion Graph)タスクを解決するための効果的なアプローチであることが証明されている。 関係パターンはKGEモデルの性能において重要な要素である。 我々は,KGEモデルの性能を様々な関係パターン上で向上させるトレーニングフリー手法を提案する。
  論文  参考訳（メタデータ） (2023-08-15T17:30:57Z)
• Language-free Compositional Action Generation via Decoupling Refinement [67.50452446686725]
  本稿では,言語補助に頼らずに作曲行動を生成する新しい枠組みを提案する。 このアプローチは,アクション結合,条件付きアクション生成,デカップリングリファインメントという3つの主要コンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-07-07T12:00:38Z)
• Knowledge Graph Embedding with 3D Compound Geometric Transformations [32.528770408502396]
  化合物Eとロータテ3Dは、翻訳、回転、スケーリング、反射、せん断を含む3次元の複雑な幾何学変換である。 CompoundE3Dの有効性と柔軟性を4つの一般的なリンク予測データセットで実験的に検証した。
  論文  参考訳（メタデータ） (2023-04-01T19:56:51Z)
• ComDensE : Combined Dense Embedding of Relation-aware and Common Features for Knowledge Graph Completion [3.771779364624616]
  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。
  論文  参考訳（メタデータ） (2022-06-29T22:04:07Z)
• 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)
• Rethinking Graph Convolutional Networks in Knowledge Graph Completion [83.25075514036183]
  グラフ畳み込みネットワーク(GCN)は知識グラフ補完(KGC)においてますます人気が高まっている。 本稿では,代表的なGCNベースのKGCモデルを構築し,GCNのどの要因がKGCに重要なのかを明らかにする。 本稿では,既存のKGEモデルに線形変換されたエンティティ埋め込みを組み込む,LTE-KGEというシンプルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-08T11:36:18Z)
• BiQUE: Biquaternionic Embeddings of Knowledge Graphs [9.107095800991333]
  既存の知識グラフ埋め込み(KGE)は、コンパクトにマルチリレーショナル知識グラフ(KG)を符号化する KGEモデルでは、KGの多元関係を完全にカバーするために、複数の幾何変換を統一することが重要である。 複数の幾何変換を統合するために二元数を用いた新しいモデルであるBiQUEを提案する。
  論文  参考訳（メタデータ） (2021-09-29T13:05:32Z)
• DensE: An Enhanced Non-commutative Representation for Knowledge Graph Embedding with Adaptive Semantic Hierarchy [4.607120217372668]
  本研究では,関係の複雑な構成パターンをモデル化するための新しい知識グラフ埋め込み手法DensEを開発した。 本手法は,SO(3)群に基づく回転作用素と3次元ユークリッド空間におけるスケーリング作用素に各関係を分解する。 複数のベンチマーク知識グラフの実験結果から、DensEはリンク予測の欠如に対して現在の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2020-08-11T06:45:50Z)

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。