論文の概要: V-Coder: Adaptive AutoEncoder for Semantic Disclosure in Knowledge
Graphs
- arxiv url: http://arxiv.org/abs/2208.01735v1
- Date: Fri, 22 Jul 2022 14:51:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-07 14:28:20.804479
- Title: V-Coder: Adaptive AutoEncoder for Semantic Disclosure in Knowledge
Graphs
- Title（参考訳）: V-Coder:知識グラフのセマンティック開示のためのアダプティブオートエンコーダ
- Authors: Christian M.M. Frey, Matthias Schubert
- Abstract要約: 本稿では,V-Coderと呼ばれる新しい適応型オートエンコーダを提案する。
実世界のデータセットの評価は、V-Coderが破損したデータからリンクを復元できることを示している。
- 参考スコア（独自算出の注目度）: 4.493174773769076
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Semantic Web or Knowledge Graphs (KG) emerged to one of the most important
information source for intelligent systems requiring access to structured
knowledge. One of the major challenges is the extraction and processing of
unambiguous information from textual data. Following the human perception,
overlapping semantic linkages between two named entities become clear due to
our common-sense about the context a relationship lives in which is not the
case when we look at it from an automatically driven process of a machine. In
this work, we are interested in the problem of Relational Resolution within the
scope of KGs, i.e, we are investigating the inherent semantic of relationships
between entities within a network. We propose a new adaptive AutoEncoder,
called V-Coder, to identify relations inherently connecting entities from
different domains. Those relations can be considered as being ambiguous and are
candidates for disentanglement. Likewise to the Adaptive Learning Theory (ART),
our model learns new patterns from the KG by increasing units in a competitive
layer without discarding the previous observed patterns whilst learning the
quality of each relation separately. The evaluation on real-world datasets of
Freebase, Yago and NELL shows that the V-Coder is not only able to recover
links from corrupted input data, but also shows that the semantic disclosure of
relations in a KG show the tendency to improve link prediction. A semantic
evaluation wraps the evaluation up.
- Abstract（参考訳）: セマンティックウェブまたは知識グラフ(KG)は、構造化知識へのアクセスを必要とするインテリジェントシステムにとって最も重要な情報ソースの1つである。
主な課題の1つは、テキストデータから曖昧な情報の抽出と処理である。
人間の知覚に従えば、2つの名前付きエンティティ間の意味的結合が重なり合うことは、マシンの自動駆動プロセスからそれを見る場合、関係が生きているという我々の常識によって明らかになる。
本研究では,KG の範囲内での関係解決の問題,すなわちネットワーク内のエンティティ間の関係性の本質的意味について検討している。
本稿では,V-Coderと呼ばれる新しい適応型オートエンコーダを提案する。
これらの関係は曖昧であり、絡み合いの候補であると見なすことができる。
適応学習理論(art)と同様に,各関係の品質を別々に学習しながら,先行したパターンを捨てることなく,競争層で単位を増加させることで,kgから新たなパターンを学習する。
freebase、yago、nellの現実世界のデータセットの評価により、v-coderは破損した入力データからリンクを復元できるだけでなく、kgにおける関係のセマンティックな開示がリンク予測を改善する傾向を示すことが示された。
意味的評価は評価を包含する。
関連論文リスト
- Type-based Neural Link Prediction Adapter for Complex Query Answering [2.1098688291287475]
本稿では,タイプベースエンティティ関係グラフを構成する新しいモデルであるTypEベースのニューラルリンク予測アダプタ(TENLPA)を提案する。
型情報と複雑な論理的クエリを効果的に結合するために,適応学習機構を導入する。
3つの標準データセットの実験により、TENLPAモデルが複雑なクエリ応答における最先端のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2024-01-29T10:54:28Z) - Relation-Aware Language-Graph Transformer for Question Answering [21.244992938222246]
本稿では,言語とグラフを関連づける質問応答変換器(QAT, Question Answering Transformer)を提案する。
具体的には、QATはメタパストークンを構築し、多様な構造的および意味的関係に基づいて関係中心の埋め込みを学習する。
我々は,CommonsenseQA や OpenBookQA などの常識質問応答データセットと,医療質問応答データセット MedQA-USMLE について,QAT の有効性を検証する。
論文 参考訳（メタデータ） (2022-12-02T05:10:10Z) - BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from
Pretrained Language Models [65.51390418485207]
本稿では,事前学習したLMから任意の関係を持つ大規模KGを抽出する手法を提案する。
関係定義の最小限の入力により、アプローチは膨大な実体対空間を効率的に探索し、多様な正確な知識を抽出する。
我々は、異なるLMから400以上の新しい関係を持つKGを収穫するためのアプローチを展開している。
論文 参考訳（メタデータ） (2022-06-28T19:46:29Z) - Learning Intents behind Interactions with Knowledge Graph for
Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。
既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。
本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文 参考訳（メタデータ） (2021-02-14T03:21:36Z) - R$^2$-Net: Relation of Relation Learning Network for Sentence Semantic
Matching [58.72111690643359]
文意味マッチングのための関係学習ネットワーク(R2-Net)を提案する。
最初にBERTを使用して、グローバルな視点から入力文をエンコードします。
次に、cnnベースのエンコーダは、ローカルな視点からキーワードやフレーズ情報をキャプチャするように設計されている。
関係情報抽出にラベルを十分に活用するために,関係分類タスクの自己教師付き関係性を導入する。
論文 参考訳（メタデータ） (2020-12-16T13:11:30Z) - Adaptive Attentional Network for Few-Shot Knowledge Graph Completion [16.722373937828117]
Few-shot Knowledge Graph (KG) の完成は、現在の研究の焦点であり、各タスクは、数少ない参照エンティティペアを考えると、関係の見えない事実をクエリすることを目的としている。
最近の試みでは、エンティティと参照の静的表現を学習し、それらの動的特性を無視してこの問題を解決している。
本研究は,適応実体と参照表現を学習することにより,数ショットのKG補完のための適応的注意ネットワークを提案する。
論文 参考訳（メタデータ） (2020-10-19T16:27:48Z) - Category-Learning with Context-Augmented Autoencoder [63.05016513788047]
実世界のデータの解釈可能な非冗長表現を見つけることは、機械学習の鍵となる問題の一つである。
本稿では,オートエンコーダのトレーニングにデータ拡張を利用する新しい手法を提案する。
このような方法で変分オートエンコーダを訓練し、補助ネットワークによって変換結果を予測できるようにする。
論文 参考訳（メタデータ） (2020-10-10T14:04:44Z) - ConsNet: Learning Consistency Graph for Zero-Shot Human-Object
Interaction Detection [101.56529337489417]
画像中のHuman, Action, Object>の形のHOIインスタンスを検出・認識することを目的としたHuman-Object Interaction (HOI) Detectionの問題点を考察する。
我々は、オブジェクト、アクション、インタラクション間の多レベルコンパレンシーは、稀な、あるいは以前には見られなかったHOIのセマンティック表現を生成するための強力な手がかりであると主張している。
提案モデルでは,人-対象のペアの視覚的特徴とHOIラベルの単語埋め込みを入力とし,それらを視覚-意味的関節埋め込み空間にマッピングし,類似度を計測して検出結果を得る。
論文 参考訳（メタデータ） (2020-08-14T09:11:18Z) - Knowledge Graphs and Knowledge Networks: The Story in Brief [0.1933681537640272]
知識グラフ(KG)は、実世界のノイズの多い生情報を構造化形式で表現し、エンティティ間の関係をキャプチャする。
ソーシャルネットワーク、レコメンダシステム、計算生物学、関係知識表現といった動的現実世界の応用は、困難な研究課題として浮上している。
この記事では、AIのためのKGの旅を要約する。
論文 参考訳（メタデータ） (2020-03-07T18:09:18Z) - End-to-End Entity Linking and Disambiguation leveraging Word and
Knowledge Graph Embeddings [20.4826750211045]
我々は,KGと単語埋め込みを併用した最初のエンドツーエンドニューラルネットワークアプローチを提案し,単純な質問の結合関係と実体分類を行う。
実験により,提案手法が最先端のエンティティリンクに匹敵する性能を実現することを示す。
論文 参考訳（メタデータ） (2020-02-25T19:07:54Z) - Generative Adversarial Zero-Shot Relational Learning for Knowledge
Graphs [96.73259297063619]
我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。
新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。
我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
論文 参考訳（メタデータ） (2020-01-08T01:19:08Z)
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。