論文の概要: Search to Pass Messages for Temporal Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2210.16740v1
• Date: Sun, 30 Oct 2022 04:05:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 15:41:17.974863
• Title: Search to Pass Messages for Temporal Knowledge Graph Completion
• Title（参考訳）: 時間知識グラフ補完のためのパスメッセージ検索
• Authors: Zhen Wang, Haotong Du, Quanming Yao, Xuelong Li
• Abstract要約: 我々は、時間知識グラフ(TKG)の補完のために、NAS(Neural Architecture Search)を用いて、データ固有のメッセージパッシングアーキテクチャを設計することを提案する。 特に,TKGにおけるトポロジカルおよび時間的情報を探るための一般化されたフレームワークを開発する。 より低コストで効率的な探索のために単一経路をサンプリングし,スーパーネット構造を訓練する探索アルゴリズムを採用する。
• 参考スコア（独自算出の注目度）: 97.40256786473516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Completing missing facts is a fundamental task for temporal knowledge graphs (TKGs). Recently, graph neural network (GNN) based methods, which can simultaneously explore topological and temporal information, have become the state-of-the-art (SOTA) to complete TKGs. However, these studies are based on hand-designed architectures and fail to explore the diverse topological and temporal properties of TKG. To address this issue, we propose to use neural architecture search (NAS) to design data-specific message passing architecture for TKG completion. In particular, we develop a generalized framework to explore topological and temporal information in TKGs. Based on this framework, we design an expressive search space to fully capture various properties of different TKGs. Meanwhile, we adopt a search algorithm, which trains a supernet structure by sampling single path for efficient search with less cost. We further conduct extensive experiments on three benchmark datasets. The results show that the searched architectures by our method achieve the SOTA performances. Besides, the searched models can also implicitly reveal diverse properties in different TKGs. Our code is released in https://github.com/striderdu/SPA.
• Abstract（参考訳）: 行方不明な事実を補完することは時間知識グラフ(TKG)の基本課題である。 近年、トポロジカルおよび時間的情報を同時に探索できるグラフニューラルネットワーク(GNN)に基づく手法が、TKGを完成させるための最先端(SOTA)となっている。 しかしながら、これらの研究は手作業で設計されたアーキテクチャに基づいており、TKGの多様な位相的および時間的特性を探索することができない。 この問題に対処するために、TKG補完のためのデータ固有のメッセージパッシングアーキテクチャを設計するために、ニューラルアーキテクチャサーチ(NAS)を提案する。 特に,TKGにおけるトポロジカルおよび時間的情報を探るための一般化されたフレームワークを開発する。 この枠組みに基づいて,異なるTKGの様々な特性をフルキャプチャする表現型検索空間を設計する。 一方,効率的な探索のために単一経路をサンプリングすることで,スーパーネット構造を訓練する探索アルゴリズムを採用する。 さらに3つのベンチマークデータセットについて広範な実験を行う。 その結果,本手法で検索したアーキテクチャがsota性能を達成できた。 さらに、探索されたモデルは異なるTKGの様々な特性を暗黙的に明らかにすることができる。 私たちのコードはhttps://github.com/striderdu/SPAでリリースされています。

関連論文リスト

• Unsupervised Graph Neural Architecture Search with Disentangled Self-supervision [51.88848982611515]
  教師なしグラフニューラルアーキテクチャサーチは、文献では未発見のままである。 本稿では,Distangled Self-supervised Graph Neural Architecture Searchモデルを提案する。 我々のモデルは、教師なしの方法で、いくつかのベースライン手法に対して最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-03-08T05:23:55Z)
• AutoGCN -- Towards Generic Human Activity Recognition with Neural Architecture Search [0.16385815610837165]
  本稿では、グラフ畳み込みネットワーク(GCN)を用いた人間活動認識(HAR)のための汎用ニューラルアーキテクチャ探索(NAS)アルゴリズムであるAutoGCNを紹介する。 提案アルゴリズムの性能を評価するために,骨格に基づく行動認識に着目した2つの大規模データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2024-02-02T11:07:27Z)
• Adaptive Path-Memory Network for Temporal Knowledge Graph Reasoning [25.84105067110878]
  時間的知識グラフ(TKG)推論は、過去の情報に基づいて将来の行方不明事実を予測することを目的としている。 我々は,TKGの関係性,すなわち aDAptivE path-MemOry Network (DaeMon) を用いた新しいアーキテクチャモデリングを提案する。 DaeMonは、クエリ対象と各オブジェクト候補の間の時間パス情報を履歴時間にわたって適応的にモデル化する。
  論文  参考訳（メタデータ） (2023-04-25T06:33:08Z)
• Few-Shot Inductive Learning on Temporal Knowledge Graphs using Concept-Aware Information [31.10140298420744]
  時間的知識グラフ(TKG)のための数発のアウト・オブ・グラフ(OOG)リンク予測タスクを提案する。 メタラーニングフレームワークを用いて、未知のエンティティに関するリンクから、欠落したエンティティを予測する。 我々のモデルは3つのデータセットすべてにおいて優れた性能を達成する。
  論文  参考訳（メタデータ） (2022-11-15T14:23:07Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• Edge-featured Graph Neural Architecture Search [131.4361207769865]
  最適GNNアーキテクチャを見つけるために,エッジ機能付きグラフニューラルアーキテクチャ探索を提案する。 具体的には、高次表現を学習するためにリッチなエンティティとエッジの更新操作を設計する。 EGNASは、現在最先端の人間設計および検索されたGNNよりも高い性能で、より優れたGNNを検索できることを示す。
  論文  参考訳（メタデータ） (2021-09-03T07:53:18Z)
• Understanding and Accelerating Neural Architecture Search with Training-Free and Theory-Grounded Metrics [117.4281417428145]
  この作業は、ニューラルネットワークサーチ(NAS)のための原則的で統一的なトレーニングフリーフレームワークの設計を目標としている。 NASは、高性能ニューラルネットワークの発見を自動化するために爆発的に研究されてきたが、資源消費に悩まされ、しばしば訓練や近似によって探索バイアスを引き起こす。 我々は,検索ネットワークの「TEG」特性を解消し,NASを理解し,加速するための統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2021-08-26T17:52:07Z)
• Rethinking Graph Neural Network Search from Message-passing [120.62373472087651]
  本稿では,新しい検索空間を設計したグラフニューラルアーキテクチャサーチ(GNAS)を提案する。 グラフニューラルアーキテクチャパラダイム(GAP:Graph Neural Architecture Paradigm)をツリートポロジー計算手順と2種類の微粒原子操作で設計します。 実験では、GNASは複数のメッセージ通過機構と最適なメッセージ通過深さを持つより良いGNNを探索できることを示しています。
  論文  参考訳（メタデータ） (2021-03-26T06:10:41Z)
• T-GAP: Learning to Walk across Time for Temporal Knowledge Graph Completion [13.209193437124881]
  時間的知識グラフ(TKG)は、静的知識グラフとは対照的に、本質的に現実世界の知識の過渡的な性質を反映している。 エンコーダとデコーダにおける時間情報とグラフ構造の両方を最大限に活用するTKG補完の新しいモデルであるT-GAPを提案する。 本実験は、T-GAPが最先端のベースラインに対する優れた性能を達成し、目に見えないタイムスタンプによるクエリに有能に一般化することを示す。
  論文  参考訳（メタデータ） (2020-12-19T04:45:32Z)

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。