論文の概要: ProjB: An Improved Bilinear Biased ProjE model for Knowledge Graph
Completion
- arxiv url: http://arxiv.org/abs/2209.02390v1
- Date: Mon, 15 Aug 2022 18:18:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-11 13:19:12.031454
- Title: ProjB: An Improved Bilinear Biased ProjE model for Knowledge Graph
Completion
- Title(参考訳): ProjB:知識グラフ補完のための改良されたバイリニアバイアス付きProjEモデル
- Authors: Mojtaba Moattari, Sahar Vahdati, Farhana Zulkernine
- Abstract要約: この研究は、計算の複雑さが低く、モデル改善の可能性が高いため、ProjE KGEを改善する。
FB15KやWN18のようなベンチマーク知識グラフ(KG)の実験結果から、提案手法はエンティティ予測タスクにおける最先端モデルよりも優れていることが示された。
- 参考スコア(独自算出の注目度): 1.5576879053213302
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge Graph Embedding (KGE) methods have gained enormous attention from a
wide range of AI communities including Natural Language Processing (NLP) for
text generation, classification and context induction. Embedding a huge number
of inter-relationships in terms of a small number of dimensions, require proper
modeling in both cognitive and computational aspects. Recently, numerous
objective functions regarding cognitive and computational aspects of natural
languages are developed. Among which are the state-of-the-art methods of
linearity, bilinearity, manifold-preserving kernels, projection-subspace, and
analogical inference. However, the major challenge of such models lies in their
loss functions that associate the dimension of relation embeddings to
corresponding entity dimension. This leads to inaccurate prediction of
corresponding relations among entities when counterparts are estimated wrongly.
ProjE KGE, published by Bordes et al., due to low computational complexity and
high potential for model improvement, is improved in this work regarding all
translative and bilinear interactions while capturing entity nonlinearity.
Experimental results on benchmark Knowledge Graphs (KGs) such as FB15K and WN18
show that the proposed approach outperforms the state-of-the-art models in
entity prediction task using linear and bilinear methods and other recent
powerful ones. In addition, a parallel processing structure is proposed for the
model in order to improve the scalability on large KGs. The effects of
different adaptive clustering and newly proposed sampling approaches are also
explained which prove to be effective in improving the accuracy of knowledge
graph completion.
- Abstract(参考訳): 知識グラフ埋め込み(KGE)手法は、テキスト生成、分類、文脈誘導のための自然言語処理(NLP)を含む幅広いAIコミュニティから大きな注目を集めている。
少数の次元の観点で膨大な数の相互関係を埋め込むには、認知面と計算面の両方において適切なモデリングが必要である。
近年,自然言語の認知・計算的側面に関する多くの目的関数が開発されている。
その中には、線形性、双線型性、多様体保存核、射影部分空間、類推の最先端の方法がある。
しかし、そのようなモデルの最大の課題は、関係埋め込みの次元と対応する実体次元を関連付ける損失関数にある。
これにより、エンティティ間の対応する関係が誤って推定された場合、不正確な予測が行われる。
bordesらによって出版されたproje kgeは、計算複雑性の低さとモデル改善の可能性から、エンティティの非線形性を捉えながら、すべてのトランスレーショナルおよびバイリニア相互作用に関するこの研究において改善されている。
fb15k や wn18 のようなベンチマーク知識グラフ (kgs) を用いた実験の結果,提案手法は線形および双線型法と他の最近の強力な手法を用いて,エンティティ予測タスクにおける最先端モデルよりも優れていることがわかった。
また,大規模kgsのスケーラビリティを向上させるため,並列処理構造が提案されている。
異なる適応クラスタリングと新たに提案するサンプリング手法の効果についても説明し,知識グラフの完成精度の向上に有効であることを示した。
関連論文リスト
- Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。
CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。
CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
論文 参考訳(メタデータ) (2024-02-05T03:25:04Z) - ConvD: Attention Enhanced Dynamic Convolutional Embeddings for Knowledge
Graph Completion [11.223893397502431]
本稿では,知識グラフ補完のための動的畳み込み埋め込みモデルConvDを提案する。
提案手法は,最先端のベースライン法より一貫して優れている。
論文 参考訳(メタデータ) (2023-12-11T07:37:58Z) - Location Sensitive Embedding for Knowledge Graph Reasoning [0.0]
翻訳距離モデルの主な課題は、グラフ内の「頭部」と「尾」の実体を効果的に区別できないことである。
この問題に対処するため,新しい位置感応型埋め込み法 (LSE) を開発した。
LSEは、リレーショナルなマッピングを使用してヘッダーを革新的に修正し、リレーショナルトランスフォーメーションを単なる翻訳よりもリレーショナルトランスフォーメーションとして概念化する。
リンク予測のための4つの大規模KGデータセットで実施された実験では、LSEdは性能が優れているか、最先端の関連作品と競合している。
論文 参考訳(メタデータ) (2023-12-01T22:35:19Z) - Towards a Better Theoretical Understanding of Independent Subnetwork Training [56.24689348875711]
独立サブネットワークトレーニング(IST)の理論的考察
ISTは、上記の問題を解決するための、最近提案され、非常に効果的である。
圧縮通信を用いた分散手法など,ISTと代替手法の基本的な違いを同定する。
論文 参考訳(メタデータ) (2023-06-28T18:14:22Z) - Proximal Symmetric Non-negative Latent Factor Analysis: A Novel Approach
to Highly-Accurate Representation of Undirected Weighted Networks [2.1797442801107056]
Undirected Weighted Network (UWN) は、ビッグデータ関連のアプリケーションで一般的に見られる。
既存のモデルは本質対称性や低データ密度のモデル化に失敗する。
近軸対称非負の潜在因子分析モデルを提案する。
論文 参考訳(メタデータ) (2023-06-06T13:03:24Z) - Understanding Augmentation-based Self-Supervised Representation Learning
via RKHS Approximation and Regression [53.15502562048627]
最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。
この研究は、増強に基づく事前訓練の統計的分析に発展する。
論文 参考訳(メタデータ) (2023-06-01T15:18:55Z) - MACE: An Efficient Model-Agnostic Framework for Counterfactual
Explanation [132.77005365032468]
MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。
MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。
公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
論文 参考訳(メタデータ) (2022-05-31T04:57:06Z) - STaR: Knowledge Graph Embedding by Scaling, Translation and Rotation [20.297699026433065]
ビリニア法は知識グラフ埋め込み(KGE)において主流であり、実体と関係性の低次元表現を学習することを目的としている。
以前の研究では、主に非可換性のような6つの重要なパターンが発見されている。
上述の2つの部分からなるバイリニアモデルスケーリング翻訳・回転(STaR)を提案する。
論文 参考訳(メタデータ) (2022-02-15T02:06:22Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2021-12-15T01:45:32Z) - RatE: Relation-Adaptive Translating Embedding for Knowledge Graph
Completion [51.64061146389754]
複素空間における新たな重み付き積の上に構築された関係適応変換関数を提案する。
次に、関係適応型翻訳埋め込み(RatE)アプローチを示し、各グラフを3倍にスコアする。
論文 参考訳(メタデータ) (2020-10-10T01:30:30Z) - LowFER: Low-rank Bilinear Pooling for Link Prediction [4.110108749051657]
本稿では,多モーダル学習においてよく用いられる因子化双線形プールモデルを提案する。
我々のモデルは、他のモデルを一般化することが示されている分解タッカーベースのタッカーモデルを自然に一般化する。
実世界のデータセット、パー・オブ・ザ・アーティファクトのパフォーマンスについて評価する。
論文 参考訳(メタデータ) (2020-08-25T07:33:52Z)
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。