論文の概要: Knowledge Graph Embedding: A Survey from the Perspective of Representation Spaces

• arxiv url: http://arxiv.org/abs/2211.03536v1
• Date: Mon, 7 Nov 2022 13:22:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 15:07:30.719804
• Title: Knowledge Graph Embedding: A Survey from the Perspective of Representation Spaces
• Title（参考訳）: 知識グラフ埋め込み:表現空間の観点からの考察
• Authors: Jiahang Cao, Jinyuan Fang, Zaiqiao Meng, Shangsong Liang
• Abstract要約: 知識グラフ埋め込み(KGE)は、知識グラフの実体や関係を意味空間に表現することを目的とした技法である。 本稿では,表現空間に基づく既存のKGE技術について,体系的なレビューを行う。
• 参考スコア（独自算出の注目度）: 30.350080771319444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph embedding (KGE) is a increasingly popular technique that aims to represent entities and relations of knowledge graphs into low-dimensional semantic spaces for a wide spectrum of applications such as link prediction, knowledge reasoning and knowledge completion. In this paper, we provide a systematic review of existing KGE techniques based on representation spaces. Particularly, we build a fine-grained classification to categorise the models based on three mathematical perspectives of the representation spaces: (1) Algebraic perspective, (2) Geometric perspective, and (3) Analytical perspective. We introduce the rigorous definitions of fundamental mathematical spaces before diving into KGE models and their mathematical properties. We further discuss different KGE methods over the three categories, as well as summarise how spatial advantages work over different embedding needs. By collating the experimental results from downstream tasks, we also explore the advantages of mathematical space in different scenarios and the reasons behind them. We further state some promising research directions from a representation space perspective, with which we hope to inspire researchers to design their KGE models as well as their related applications with more consideration of their mathematical space properties.
• Abstract（参考訳）: 知識グラフ埋め込み(KGE)は、知識グラフの実体と関係を低次元の意味空間に表現することを目的として、リンク予測、知識推論、知識完成などの幅広い応用のために、ますます普及しつつある技術である。 本稿では,表現空間に基づく既存のKGE手法の体系的なレビューを行う。 特に,(1)代数的視点,(2)幾何学的視点,(3)解析的視点という3つの数学的視点に基づいて,モデルを分類するための細粒度分類を構築する。 我々は、KGEモデルとその数学的性質に飛び込む前に、基本数学的空間の厳密な定義を導入する。 さらに3つのカテゴリにまたがる異なるKGE手法について議論し、異なる埋め込みニーズに対して空間的優位性がどのように機能するかを要約する。 下流タスクによる実験結果を照合することにより、異なるシナリオにおける数学的空間の利点とそれらの背後にある理由についても検討する。 さらに,表現空間の観点から有望な研究の方向性を述べるとともに,kgeモデルの設計を研究者に促し,数学的な空間特性を考慮し,関連する応用を奨励したい。

関連論文リスト

• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications [67.33002207179923]
  本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。 幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。 また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
  論文  参考訳（メタデータ） (2024-03-01T12:13:04Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• Knowledge Graph Embedding: An Overview [42.16033541753744]
  本稿では,知識グラフの完成に関する現在の研究状況について概観する。 我々は,KG埋め込み(KGE)設計の2つの主要分野に焦点を当てた:1)距離ベース手法と2)意味マッチング方式である。 次に,2次元および3次元アフィン操作からインスピレーションを得る複合Eと複合E3Dを探索する。
  論文  参考訳（メタデータ） (2023-09-21T21:52:42Z)
• Geometry Interaction Knowledge Graph Embeddings [153.69745042757066]
  ユークリッド空間,双曲空間,超球空間間の空間構造を対話的に学習する幾何学的相互作用知識グラフ埋め込み(GIE)を提案する。 提案したGIEは、よりリッチなリレーショナル情報、モデルキー推論パターンをキャプチャし、エンティティ間の表現的セマンティックマッチングを可能にする。
  論文  参考訳（メタデータ） (2022-06-24T08:33:43Z)
• GRAPHYP: A Scientific Knowledge Graph with Manifold Subnetworks of Communities. Detection of Scholarly Disputes in Adversarial Information Routes [0.0]
  我々は,研究活動の認知的表現における情報空間の設計の理解に取り組む。 認知的コミュニティ」の知識多様体の検出を最適化する新しいグラフ設計幾何学的アーキテクチャを提案する。 グラミーPは「認知コミュニティの多角的サブネットワーク」を設計する手法を用いて、研究分野における異なる探索経路の分類を提供する。
  論文  参考訳（メタデータ） (2022-05-03T06:35:47Z)
• Hermitian Symmetric Spaces for Graph Embeddings [0.0]
  C 上の対称行列空間におけるグラフの連続表現を学ぶ。 これらの空間は双曲部分空間とユークリッド部分空間を同時に認めるリッチな幾何学を提供する。 提案するモデルは, apriori のグラフ特徴を見積もることなく, まったく異なる配置に自動的に適応することができる。
  論文  参考訳（メタデータ） (2021-05-11T18:14:52Z)
• RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
  本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。 二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。 理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
  論文  参考訳（メタデータ） (2021-01-25T13:31:29Z)
• Motif Learning in Knowledge Graphs Using Trajectories Of Differential Equations [14.279419014064047]
  知識グラフ埋め込み(KGE)は、リンク予測タスクで有望なパフォーマンスを示している。 多くのKGEは平坦な幾何学を使い、複雑な構造を保存することができない。 正規微分方程式(ODE)の軌道上にKGのノードを埋め込む神経微分KGEを提案する。
  論文  参考訳（メタデータ） (2020-10-13T20:53:17Z)
• Knowledge Graph Embeddings in Geometric Algebras [14.269860621624392]
  幾何学代数に基づく新しいKG埋め込みフレームワークGeomEを紹介する。 我々のフレームワークは、最先端のKG埋め込みアプローチを仮定し、様々なキー関係パターンをモデル化する能力に有利である。 複数のベンチマーク知識グラフの実験結果から,提案手法はリンク予測のための既存の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-10-02T13:36:24Z)

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。