論文の概要: AutoWeird: Weird Translational Scoring Function Identified by Random Search

• arxiv url: http://arxiv.org/abs/2207.11673v1
• Date: Sun, 24 Jul 2022 06:43:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 13:18:34.522003
• Title: AutoWeird: Weird Translational Scoring Function Identified by Random Search
• Title（参考訳）: AutoWeird:ランダム検索で同定されたワイド翻訳スコーリング関数
• Authors: Hansi Yang, Yongqi Zhang, Quanming Yao
• Abstract要約: オープングラフベンチマーク(OGB)でランダム探索によって発見された奇妙なスコアリング関数について述べる。 このスコアリング関数はAutoWeirdと呼ばれ、三重項のテールエンティティとリレーションしか使用していない。
• 参考スコア（独自算出の注目度）: 37.687146235031506
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Scoring function (SF) measures the plausibility of triplets in knowledge graphs. Different scoring functions can lead to huge differences in link prediction performances on different knowledge graphs. In this report, we describe a weird scoring function found by random search on the open graph benchmark (OGB). This scoring function, called AutoWeird, only uses tail entity and relation in a triplet to compute its plausibility score. Experimental results show that AutoWeird achieves top-1 performance on ogbl-wikikg2 data set, but has much worse performance than other methods on ogbl-biokg data set. By analyzing the tail entity distribution and evaluation protocol of these two data sets, we attribute the unexpected success of AutoWeird on ogbl-wikikg2 to inappropriate evaluation and concentrated tail entity distribution. Such results may motivate further research on how to accurately evaluate the performance of different link prediction methods for knowledge graphs.
• Abstract（参考訳）: Scoring function (SF) は知識グラフにおける三重項の妥当性を測定する。 異なるスコアリング関数は、異なる知識グラフ上のリンク予測性能に大きな違いをもたらす可能性がある。 本稿では,オープングラフベンチマーク(OGB)でランダム検索によって見いだされる奇妙なスコアリング関数について述べる。 このスコアリング関数はautoweirdと呼ばれ、三重項で末尾の実体と関係のみを使用し、その可能性スコアを計算する。 実験結果から, AutoWeird は ogbl-wikikg2 データセット上ではトップ-1 性能を達成するが, ogbl-biokg データセットでは他の手法よりもパフォーマンスが劣ることがわかった。 これら2つのデータセットのテールエンティティ分布と評価プロトコルを分析することにより,ogbl-wikikg2におけるautoweirdの予期せぬ成功を不適切な評価と集中的テールエンティティ分布に分類する。 このような結果は、知識グラフに対する異なるリンク予測手法の性能を正確に評価する方法に関するさらなる研究を動機付けうる。

関連論文リスト

• Explaining Graph Neural Networks for Node Similarity on Graphs [9.14795454299225]
  ノード類似性を計算するためのGNNベースの手法を,説明とともに拡張する方法について検討する。 具体的には、GNNにおける説明に対する2つのアプローチの性能を評価する。 MIの説明とは異なり、勾配に基づく説明は3つの望ましい性質を持つ。
  論文  参考訳（メタデータ） (2024-07-10T13:20:47Z)
• Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
  効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。 設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。 5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
  論文  参考訳（メタデータ） (2024-03-15T12:00:12Z)
• InfFeed: Influence Functions as a Feedback to Improve the Performance of Subjective Tasks [10.124267937114611]
  本稿では、インフルエンサー関数を用いて、対象インスタンスのインフルエンサーインスタンスを計算するInfFeedを紹介する。 InfFeedは、ヘイトスピーチの分類で最大4%のマクロF1スコアのマージンで最先端のベースラインを上回っている。 また, ネガティブな影響を持つ拡張セット内のアノテートされた銀点のみを手動で再注釈することで, モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-02-22T16:59:09Z)
• Calculating and Visualizing Counterfactual Feature Importance Values [0.0]
  個々の意思決定結果を説明するための潜在的な解決策として、カウンターファクチュアルな説明が急増した。 2つの大きな欠点は,(1) 特徴変化のアイソノミクス的視点,(2) 修正された各特徴が予測にどの程度影響するかを観察できないこと,(2) 反実的説明を可視化するグラフィカルリソースの欠如,の2つに直接的な影響がある。 本稿では,CFI(Conportance Constellation)の値をソリューションとして導入する。
  論文  参考訳（メタデータ） (2023-06-10T18:54:15Z)
• Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
  グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF) 我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。 我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
  論文  参考訳（メタデータ） (2022-05-28T15:37:03Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Comprehensive Graph-conditional Similarity Preserving Network for Unsupervised Cross-modal Hashing [97.44152794234405]
  教師なしクロスモーダルハッシュ(UCMH)は近年ホットトピックとなっている。 本稿では,dgcpn(deep graph-neighbor coherence preservation network)を考案する。 DGCPNは3種類のデータ類似性を利用して、損失を保存する包括的な類似性を管理する。
  論文  参考訳（メタデータ） (2020-12-25T07:40:59Z)
• Handling Missing Data with Graph Representation Learning [62.59831675688714]
  特徴量計算とラベル予測のためのグラフベースのフレームワークであるGRAPEを提案する。 GRAPEでは,特徴計算をエッジレベル予測タスク,ラベル予測をノードレベル予測タスクとして定式化する。 9つのベンチマークデータセットによる実験結果から、GRAPEは計算タスクの平均絶対誤差を20%低く、ラベル予測タスクを10%低くすることがわかった。
  論文  参考訳（メタデータ） (2020-10-30T17:59:13Z)
• Fuzzy Jaccard Index: A robust comparison of ordered lists [7.052455038904316]
  Fuzzy Jaccard Index (FUJI) - ランク付けされた2つのリストの類似性を評価するためのスケール不変スコア。 FUJIスコアの特性に関する理論的知見を提供するとともに,その計算に有効なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-05T16:33:52Z)
• Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for Large Eigengaps of Dense Graphs and Hypergraphs [0.0]
  Graph Convolutional Networks (GCNs) は、グラフベースのデータセットで半教師付き分類を行うツールとして成功している。 本稿では,三部フィルタ空間が高密度グラフを対象とする新しいGCN変種を提案する。
  論文  参考訳（メタデータ） (2020-08-03T08:48:41Z)

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。