Fugu-MT 論文翻訳(概要): KG-NSF: Knowledge Graph Completion with a Negative-Sample-Free Approach

論文の概要: KG-NSF: Knowledge Graph Completion with a Negative-Sample-Free Approach

arxiv url: http://arxiv.org/abs/2207.14617v1
Date: Fri, 29 Jul 2022 11:39:04 GMT
ステータス: 処理完了
システム内更新日: 2022-08-01 12:14:05.348244
Title: KG-NSF: Knowledge Graph Completion with a Negative-Sample-Free Approach
Title（参考訳）: KG-NSF:負サンプルフリーアプローチによる知識グラフ補完
Authors: Adil Bahaj and Safae Lhazmir and Mounir Ghogho
Abstract要約: 埋め込みベクトルの相互相関行列に基づいてKG埋め込みを学習するための負のサンプリングフリーフレームワークbftextKG-NSFを提案する。提案手法は, より高速に収束しながら, 負のサンプリングに基づく手法に比較して, リンク予測性能が向上することを示した。
参考スコア（独自算出の注目度）: 4.146672630717471
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Knowledge Graph (KG) completion is an important task that greatly benefits knowledge discovery in many fields (e.g. biomedical research). In recent years, learning KG embeddings to perform this task has received considerable attention. Despite the success of KG embedding methods, they predominantly use negative sampling, resulting in increased computational complexity as well as biased predictions due to the closed world assumption. To overcome these limitations, we propose \textbf{KG-NSF}, a negative sampling-free framework for learning KG embeddings based on the cross-correlation matrices of embedding vectors. It is shown that the proposed method achieves comparable link prediction performance to negative sampling-based methods while converging much faster.
Abstract（参考訳）: 知識グラフ(KG)の完成は多くの分野における知識発見に大きな恩恵をもたらす重要なタスクである。近年,このタスクを行うためのkg埋め込み学習が注目されている。 KG埋め込み法の成功にもかかわらず、彼らは主に負のサンプリングを使い、計算の複雑さが増大し、また閉世界仮定による予測が偏った。これらの制限を克服するために,埋め込みベクトルの相互相関行列に基づいてkg埋め込みを学習するための負のサンプリングフリーフレームワークである \textbf{kg-nsf} を提案する。提案手法は, より高速に収束しながら, 負のサンプリング法と同等のリンク予測性能を実現する。

関連論文リスト

Distill-SynthKG: Distilling Knowledge Graph Synthesis Workflow for Improved Coverage and Efficiency [59.6772484292295]
大規模言語モデル(LLM)によって生成される知識グラフ(KG)は、検索・拡張生成(RAG)アプリケーションにとってますます価値が増している。既存のKG抽出法は、大規模コーパスの処理に非効率なプロンプトベースのアプローチに依存している。 LLMに基づく多段階文書レベルのKGワークフローであるSynthKGを提案する。我々はまた、RAGのための新しいグラフベースの検索フレームワークを設計する。
論文参考訳（メタデータ） (2024-10-22T00:47:54Z)
Unified Interpretation of Smoothing Methods for Negative Sampling Loss Functions in Knowledge Graph Embedding [31.26112477399022]
本稿では、知識グラフ(KG)における負サンプリング(NS)損失の平滑化に関する理論的解釈を提供する。新しいNS損失であるトリプルト適応負サンプリング(Triplet Adaptive Negative Smpling, TANS)を誘導し、従来の平滑化法の特徴をカバーする。
論文参考訳（メタデータ） (2024-07-05T04:38:17Z)
Exploring & Exploiting High-Order Graph Structure for Sparse Knowledge Graph Completion [20.45256490854869]
本稿では,エンティティ間の価値ある長距離依存性を自動的にキャプチャできる新しいフレームワークLR-GCNを提案する。提案手法は、GNNベースの予測器と推論経路蒸留器の2つの主成分からなる。
論文参考訳（メタデータ） (2023-06-29T15:35:34Z)
Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
論文参考訳（メタデータ） (2023-04-17T11:42:28Z)
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)
Language Model-driven Negative Sampling [8.299192665823542]
知識グラフ埋め込み(KGE)は、究極の下流タスク(リンク予測、質問応答)の表現学習と推論を目的として、知識グラフ(KG)の実体と関係をベクトル空間に符号化する。 KGE はクローズドワールドの仮定に従い、KG の現在のすべての事実を正(正)であると仮定するので、既存の三重項の真性テストの学習過程において、負のサンプルを必要とする。そこで本稿では,KGsにおける既存のリッチテキスト知識を考慮したネガティブサンプリング手法を提案する。
論文参考訳（メタデータ） (2022-03-09T13:27:47Z)
KGBoost: A Classification-based Knowledge Base Completion Method with Negative Sampling [29.14178162494542]
KGBoostは、リンク予測の欠如のために強力な分類器を訓練する新しい方法である。我々は、複数のベンチマークデータセットで実験を行い、KGBoostがほとんどのデータセットで最先端のメソッドより優れていることを示す。エンドツーエンドの最適化によって訓練されたモデルと比較して、KGBoostは、より小さなモデルサイズを実現するために、低次元設定下でうまく機能する。
論文参考訳（メタデータ） (2021-12-17T06:19:37Z)
DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN [59.160401038969795]
我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
論文参考訳（メタデータ） (2021-08-26T16:19:59Z)
Efficient Non-Sampling Knowledge Graph Embedding [21.074002550338296]
効率的な非サンプリング型知識グラフ埋め込み (NS-KGE) のための新しいフレームワークを提案する。基本的な考え方は、モデル学習のためのkgの負のインスタンスをすべて考慮し、負のサンプリングを避けることである。ベンチマークデータセットの実験により、NS-KGEフレームワークは従来の負サンプリングベースモデルよりも効率と正確性を向上できることが示された。
論文参考訳（メタデータ） (2021-04-21T23:36:39Z)
Cyclic Label Propagation for Graph Semi-supervised Learning [52.102251202186025]
本稿では,CycPropと呼ばれるグラフ半教師付き学習のための新しいフレームワークを提案する。 CycPropはGNNを周期的かつ相互に強化された方法でラベル伝播の過程に統合する。特に,提案するCycPropでは,GNNモジュールが学習したノード埋め込みをラベル伝搬による拡張情報で更新する。
論文参考訳（メタデータ） (2020-11-24T02:55:40Z)
Reinforced Negative Sampling over Knowledge Graph for Recommendation [106.07209348727564]
我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(kgPolicy)を開発した。 kgPolicyは、ターゲットのポジティブなインタラクションからナビゲートし、知識を意識したネガティブなシグナルを適応的に受信し、最終的にはリコメンダをトレーニングする潜在的なネガティブなアイテムを生成する。
論文参考訳（メタデータ） (2020-03-12T12:44:30Z)

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。