論文の概要: Dense-ATOMIC: Construction of Densely-connected and Multi-hop
Commonsense Knowledge Graph upon ATOMIC
- arxiv url: http://arxiv.org/abs/2210.07621v1
- Date: Fri, 14 Oct 2022 08:17:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 16:34:30.004910
- Title: Dense-ATOMIC: Construction of Densely-connected and Multi-hop
Commonsense Knowledge Graph upon ATOMIC
- Title(参考訳): 高密度原子:原子上での密結合およびマルチホップコモンセンス知識グラフの構築
- Authors: Xiangqing Shen, Siwei Wu, and Rui Xia
- Abstract要約: ATOMICは、日々のif-then知識三つ子を含む大規模コモンセンス知識グラフ(CSKG)である。
本稿では,既存の三重項の集合に基づいて関係予測モデルをトレーニングし,ATOMIC上の欠落リンクを推定するCSKG補完手法を提案する。
Dense-ATOMICは、密結合でマルチホップのコモンセンス知識グラフである。
- 参考スコア(独自算出の注目度): 13.217345065554953
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: ATOMIC is a large-scale commonsense knowledge graph (CSKG) containing
everyday if-then knowledge triplets, i.e., {head event, relation, tail event}.
The one-hop annotation manner made ATOMIC a set of independent bipartite
graphs, which ignored the numerous missing links between events in different
bipartite graphs and consequently caused shortcomings in knowledge coverage and
multi-hop reasoning. To address these issues, we propose a CSKG completion
approach by training a relation prediction model based on a set of existing
triplets, and infer the missing links on ATOMIC. On this basis, we construct
Dense-ATOMIC, a densely-connected and multi-hop commonsense knowledge graph.
The experimental results on an annotated dense subgraph demonstrate the
effectiveness of our CSKG completion approach upon ATOMIC. The evaluation on a
downstream commonsense reasoning task also proves the advantage of Dense-ATOMIC
against conventional ATOMIC.
- Abstract(参考訳): ATOMICは大規模なコモンセンス知識グラフ(CSKG)で、日々のif-thenの知識三重項、すなわち {head event, relation, tail event}を含んでいる。
ワンホップのアノテーションは、ATOMICを独立した二部グラフの集合とし、異なる二部グラフのイベント間の多数の欠落したリンクを無視し、結果として知識カバレッジと多部推論の欠点を生じさせた。
これらの問題に対処するために,既存の三重項の集合に基づいて関係予測モデルをトレーニングし,ATOMIC上で欠落したリンクを推測するCSKG補完手法を提案する。
そこで我々は,密結合型マルチホップコモンセンス知識グラフDense-ATOMICを構築した。
注記付き高密度サブグラフによる実験結果から, 原子に対するcskg補完法の有効性が示された。
下流コモンセンス推論タスクの評価は、従来のATOMICに対するDense-ATOMICの利点を証明している。
関連論文リスト
- Towards Combinatorial Generalization for Catalysts: A Kohn-Sham
Charge-Density Approach [10.990814191816192]
密度モデルは、列車時に見えない要素の組み合わせで新しい構造を一般化できることを示す。
その結果、二分数および三分数テストケースの80%以上は、密度汎関数論の標準基底線よりも早く収束できることがわかった。
論文 参考訳(メタデータ) (2023-10-28T13:04:05Z) - 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) - Knowledge Graph Completion with Pre-trained Multimodal Transformer and
Twins Negative Sampling [13.016173217017597]
本稿では,VBKGC(VisualBERT-enhanced Knowledge Graph Completion Model)を提案する。
VBKGCは、エンティティの深く融合したマルチモーダル情報をキャプチャし、それらをKGCモデルに統合することができる。
リンク予測タスクにおいて,VBKGCの優れた性能を示すため,広範囲な実験を行った。
論文 参考訳(メタデータ) (2022-09-15T06:50:31Z) - Towards the simulation of transition-metal oxides of the cathode battery
materials using VQE methods [0.0]
変分量子固有解法(VQE)は、ノイズのある中間スケール量子ハードウェアを利用してモデルハミルトンの最小固有値を得るハイブリッド量子古典法である。
本研究では,バッテリカソード用遷移金属酸化物LiCoO$の基底状態エネルギーを得るためにVQE法を用いる。
論文 参考訳(メタデータ) (2022-08-16T22:30:54Z) - ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。
我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
論文 参考訳(メタデータ) (2022-06-08T23:34:39Z) - Modeling Heterogeneous Hierarchies with Relation-specific Hyperbolic
Cones [64.75766944882389]
知識グラフにおける複数の階層的および非階層的関係を同時にモデル化できるKG埋め込みモデルであるConE(Cone Embedding)を提案する。
特に、ConEは双曲埋め込み空間の異なる部分空間における円錐包含制約を用いて、複数の異種階層をキャプチャする。
我々のアプローチでは、WN18RRで45.3%、DDB14で16.1%の新しい最先端hits@1が得られる(0.231 MRR)。
論文 参考訳(メタデータ) (2021-10-28T07:16:08Z) - Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei
Segmentation in Histopathology Images [65.47507533905188]
重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。
新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。
提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
論文 参考訳(メタデータ) (2021-09-30T17:29:44Z) - Identify, Align, and Integrate: Matching Knowledge Graphs to Commonsense
Reasoning Tasks [81.03233931066009]
与えられたタスクの目的に整合した知識グラフ(KG)を選択することは重要である。
候補者KGがタスクの推論のギャップを正しく識別し、正確に埋めることができるかを評価するアプローチを示す。
このkg-to-taskマッチングを,知識-タスク識別,知識-タスクアライメント,知識-タスク統合という3つのフェーズで示す。
論文 参考訳(メタデータ) (2021-04-20T18:23:45Z) - KACC: A Multi-task Benchmark for Knowledge Abstraction, Concretization
and Completion [99.47414073164656]
包括的知識グラフ(KG)は、インスタンスレベルのエンティティグラフとオントロジーレベルの概念グラフを含む。
2ビューのKGは、知識の抽象化、包括化、完成に関する人間の能力を「シミュレーション」するためのモデルのためのテストベッドを提供する。
我々は,データセットのスケール,タスクカバレッジ,難易度の観点から,既存のベンチマークを改善した統一KGベンチマークを提案する。
論文 参考訳(メタデータ) (2020-04-28T16:21:57Z) - Energy-based Graph Convolutional Networks for Scoring Protein Docking
Models [19.09624358779376]
タンパク質ドッキングにおける2つの問題は、それぞれ相対的および絶対的なスコアと見なされ、物理に着想を得た1つのディープラーニングフレームワークで対処される。
グラフデータから直接、一般化された相互作用エネルギーを学習できるように、エッジ機能を介してノードの機能をプールする新しいグラフ畳み込みカーネルを提案する。
得られたエネルギーベースのグラフ畳み込みネットワーク(EGCN)は、多面的な注意を払って、分子内および分子間エネルギー、結合親和性、および遭遇複合体の品質測定(界面RMSD)を予測するために訓練される。
論文 参考訳(メタデータ) (2019-12-28T15:57:17Z)
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。