論文の概要: $\mu\text{KG}$: A Library for Multi-source Knowledge Graph Embeddings
and Applications
- arxiv url: http://arxiv.org/abs/2207.11442v1
- Date: Sat, 23 Jul 2022 07:11:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 13:06:30.773135
- Title: $\mu\text{KG}$: A Library for Multi-source Knowledge Graph Embeddings
and Applications
- Title（参考訳）: $\mu\text{KG}$: マルチソース知識グラフ埋め込みとアプリケーションのためのライブラリ
- Authors: Xindi Luo and Zequn Sun and Wei Hu
- Abstract要約: $mutextKG$は、知識グラフの表現学習のためのオープンソースのPythonライブラリである。
26の一般的な知識グラフ埋め込みモデルを実装し、16のベンチマークデータセットをサポートしている。
- 参考スコア（独自算出の注目度）: 16.767361412817397
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents $\mu\text{KG}$, an open-source Python library for
representation learning over knowledge graphs. $\mu\text{KG}$ supports joint
representation learning over multi-source knowledge graphs (and also a single
knowledge graph), multiple deep learning libraries (PyTorch and TensorFlow2),
multiple embedding tasks (link prediction, entity alignment, entity typing, and
multi-source link prediction), and multiple parallel computing modes
(multi-process and multi-GPU computing). It currently implements 26 popular
knowledge graph embedding models and supports 16 benchmark datasets.
$\mu\text{KG}$ provides advanced implementations of embedding techniques with
simplified pipelines of different tasks. It also comes with high-quality
documentation for ease of use. $\mu\text{KG}$ is more comprehensive than
existing knowledge graph embedding libraries. It is useful for a thorough
comparison and analysis of various embedding models and tasks. We show that the
jointly learned embeddings can greatly help knowledge-powered downstream tasks,
such as multi-hop knowledge graph question answering. We will stay abreast of
the latest developments in the related fields and incorporate them into
$\mu\text{KG}$.
- Abstract（参考訳）: 本稿では,知識グラフ上の表現学習のためのオープンソースのPythonライブラリである$\mu\text{KG}$を提案する。
$\mu\text{KG}$は、マルチソースの知識グラフ(と単一の知識グラフ)、複数のディープラーニングライブラリ(PyTorchとTensorFlow2)、複数の埋め込みタスク(リンク予測、エンティティアライメント、エンティティタイピング、マルチソースリンク予測)、複数の並列コンピューティングモード(マルチプロセスとマルチGPUコンピューティング)に対する共同表現学習をサポートする。
現在26の一般的な知識グラフ埋め込みモデルを実装しており、16のベンチマークデータセットをサポートしている。
$\mu\text{KG}$は、異なるタスクのパイプラインを単純化した埋め込みテクニックの高度な実装を提供する。
また、使いやすい高品質のドキュメンテーションも付属している。
$\mu\text{KG}$は既存の知識グラフ埋め込みライブラリよりも包括的です。
様々な埋め込みモデルとタスクの徹底的な比較と分析に有用である。
共同学習した組込みは,マルチホップナレッジグラフ質問応答など,知識駆動の下流タスクに大いに役立つ。
我々は、関連分野における最新の発展を控え、それらを$\mu\text{KG}$に組み込む。
関連論文リスト
- Graph Chain-of-Thought: Augmenting Large Language Models by Reasoning on Graphs [60.71360240206726]
大規模言語モデル(LLM)は、特に知識集約的なタスクにおいて幻覚に悩まされる。
既存の研究は、外部知識コーパスから取得した個々のテキスト単位でLLMを拡張することを提案する。
本稿では,グラフを反復的に推論することで,LLMをグラフで拡張するためのGraph Chain-of-thinkt (Graph-CoT) というフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-10T15:41:53Z) - Representation learning in multiplex graphs: Where and how to fuse
information? [5.0235828656754915]
多重グラフはよりリッチな情報を持ち、より良いモデリング機能を提供し、潜在的に異なるソースからより詳細なデータを統合する。
本稿では,マルチプレックスネットワークにおけるノードの表現を教師なしあるいは自己管理的に学習する問題に対処する。
多重グラフを扱うGNNアーキテクチャの構築方法の改善を提案する。
論文 参考訳（メタデータ） (2024-02-27T21:47:06Z) - Learning Multiplex Representations on Text-Attributed Graphs with One Language Model Encoder [55.24276913049635]
テキスト分散グラフ上での多重表現学習のための新しいフレームワークMETAGを提案する。
既存の手法とは対照的に、MeTAGは1つのテキストエンコーダを使用して関係性間の共有知識をモデル化する。
学術分野と電子商取引分野の5つのグラフにおいて,9つの下流タスクについて実験を行った。
論文 参考訳（メタデータ） (2023-10-10T14:59:22Z) - A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic,
and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。
質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文 参考訳（メタデータ） (2022-12-12T08:40:04Z) - LambdaKG: A Library for Pre-trained Language Model-Based Knowledge Graph
Embeddings [32.371086902570205]
本稿では,知識グラフ補完,質問応答,推薦,知識探索のためのライブラリLambdaKGを紹介する。
LambdaKGはhttps://github.com/zjunlp/PromptKG/tree/main/lambdaKGで公開されている。
論文 参考訳（メタデータ） (2022-10-01T16:01:53Z) - A Survey on Visual Transfer Learning using Knowledge Graphs [0.8701566919381223]
本調査は知識グラフ(KG)を用いた視覚伝達学習手法に焦点を当てる。
KGは、基礎となるグラフ構造化スキーマやベクトルベースの知識グラフの埋め込みにおいて補助的な知識を表現することができる。
本稿では,知識グラフの埋め込み手法の概要を概説し,それらを高次元の視覚的埋め込みと組み合わせた共同学習の目的について述べる。
論文 参考訳（メタデータ） (2022-01-27T20:19:55Z) - SMORE: Knowledge Graph Completion and Multi-hop Reasoning in Massive
Knowledge Graphs [147.73127662757335]
我々は、知識グラフ(KG)におけるシングルホップおよびマルチホップ推論のための最初の汎用フレームワークであるスケーラブルなマルチホップ推論(SMORE)を提案する。
シングルマシンのSMOREはFreebase KG(86Mエンティティ、338Mエッジ)でマルチホップ推論を行うことができる。
SMOREは、従来のマルチホップKGフレームワークよりもスループット(トレーニング速度)を、最小のGPUメモリ要件で2.2倍向上させる。
論文 参考訳（メタデータ） (2021-10-28T05:02:33Z) - DIG: A Turnkey Library for Diving into Graph Deep Learning Research [39.58666190541479]
DIG: Dive into Graphsは研究指向のライブラリで、いくつかの高度なタスクで共通のグラフ深層学習アルゴリズムを統合および統合しています。
それぞれの方向に対して、データインターフェース、共通アルゴリズム、評価メトリクスの統合実装を提供します。
論文 参考訳（メタデータ） (2021-03-23T15:05:10Z) - Efficient Graph Deep Learning in TensorFlow with tf_geometric [53.237754811019464]
グラフ深層学習のための効率的でフレンドリなライブラリであるtf_geometricを導入する。
tf_geometricは、人気のあるGNNの実装と同様に、グラフニューラルネットワーク(GNN)を構築するためのカーネルライブラリを提供する。
カーネルライブラリは、グラフデータ構造、グラフマップ-リデュースフレームワーク、グラフミニバッチ戦略など、効率的なGNNを構築するためのインフラストラクチャで構成されている。
論文 参考訳（メタデータ） (2021-01-27T17:16:36Z) - ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。
我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。
本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
論文 参考訳（メタデータ） (2020-04-30T14:16:19Z)
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。