論文の概要: Relational Symmetry based Knowledge Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2211.10738v1
• Date: Sat, 19 Nov 2022 16:30:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 19:04:29.763763
• Title: Relational Symmetry based Knowledge Graph Contrastive Learning
• Title（参考訳）: 関係対称性に基づく知識グラフコントラスト学習
• Authors: Ke Liang, Yue Liu, Sihang Zhou, Xinwang Liu, Wenxuan Tu
• Abstract要約: 我々は,KGE-SymCLと呼ばれる関係対称構造に基づく知識グラフの対比学習フレームワークを提案する。 この論文では、対称構造内の実体は、通常よりよく似ており、相関関係があることが分かる。 自己教師付きアライメント損失は、コントラスト学習のために構築された正のサンプルペアをまとめるために使用される。
• 参考スコア（独自算出の注目度）: 41.36602816416288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph embedding (KGE) aims to learn powerful representations to benefit various artificial intelligence applications, such as question answering and recommendations. Meanwhile, contrastive learning (CL), as an effective mechanism to enhance the discriminative capacity of the learned representations, has been leveraged in different fields, especially graph-based models. However, since the structures of knowledge graphs (KGs) are usually more complicated compared to homogeneous graphs, it is hard to construct appropriate contrastive sample pairs. In this paper, we find that the entities within a symmetrical structure are usually more similar and correlated. This key property can be utilized to construct contrastive positive pairs for contrastive learning. Following the ideas above, we propose a relational symmetrical structure based knowledge graph contrastive learning framework, termed KGE-SymCL, which leverages the symmetrical structure information in KGs to enhance the discriminative ability of KGE models. Concretely, a plug-and-play approach is designed by taking the entities in the relational symmetrical positions as the positive samples. Besides, a self-supervised alignment loss is used to pull together the constructed positive sample pairs for contrastive learning. Extensive experimental results on benchmark datasets have verified the good generalization and superiority of the proposed framework.
• Abstract（参考訳）: 知識グラフ埋め込み(KGE)は、質問応答やレコメンデーションなど、さまざまな人工知能アプリケーションに有用な強力な表現を学ぶことを目的としている。 一方、学習表現の識別能力を高める効果的なメカニズムである対照的学習(CL)は、異なる分野、特にグラフベースモデルで活用されている。 しかし、知識グラフ(KG)の構造は、通常、均質グラフよりも複雑であるため、適切な対照的なサンプルペアを構築するのは難しい。 この論文では、対称構造内の実体は、通常より類似しており、相関関係がある。 この重要な性質は、コントラスト学習のための対照的な正のペアを構築するのに利用できる。 KGEモデルの識別能力を高めるために,KGにおける対称構造情報を活用するKGE-SymCLと呼ばれる関係対称構造に基づく知識グラフ比較学習フレームワークを提案する。 具体的には、関係対称位置の実体を正のサンプルとして、プラグアンドプレイアプローチを設計する。 さらに、自己教師付きアライメント損失を用いて、構築された正のサンプルペアを組み合わせることで、コントラスト学習を行う。 ベンチマークデータセットの広範な実験結果から,提案フレームワークの優れた一般化と優越性が検証された。

関連論文リスト

• CL4KGE: A Curriculum Learning Method for Knowledge Graph Embedding [36.47838597326351]
  知識グラフにおける3つの学習の難易度を測定するために、計量Zカウントを定義する。 この指標に基づいて,効率的なtextbfCurriculum textbfLearningに基づくトレーニング戦略である textbfCL4KGE を提案する。
  論文  参考訳（メタデータ） (2024-08-27T07:51:26Z)
• Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
  本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。 本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-05T09:05:33Z)
• A Comprehensive Study on Knowledge Graph Embedding over Relational Patterns Based on Rule Learning [49.09125100268454]
  KGE(Knowledge Graph Embedding)は、KGC(Knowledge Completion Graph)タスクを解決するための効果的なアプローチであることが証明されている。 関係パターンはKGEモデルの性能において重要な要素である。 我々は,KGEモデルの性能を様々な関係パターン上で向上させるトレーニングフリー手法を提案する。
  論文  参考訳（メタデータ） (2023-08-15T17:30:57Z)
• Improving Knowledge Graph Entity Alignment with Graph Augmentation [11.1094009195297]
  異なる知識グラフ(KG)をまたいだ等価エンティティをリンクするエンティティアライメント(EA)は、知識融合において重要な役割を果たす。 近年、グラフニューラルネットワーク(GNN)は、多くの埋め込みベースのEA手法でうまく適用されている。 グラフの強化により、マージンベースのアライメント学習とコントラッシブなエンティティ表現学習のための2つのグラフビューを作成する。
  論文  参考訳（メタデータ） (2023-04-28T01:22:47Z)
• LightCAKE: A Lightweight Framework for Context-Aware Knowledge Graph Embedding [3.7497588668920048]
  コンテキスト対応KGE用にLightCAKEという軽量フレームワークを提案する。 LightCAKEは、繰り返し集約戦略を使用して、マルチホップのコンテキスト情報をエンティティ/リレーション埋め込みに統合します。 公開ベンチマーク実験では,フレームワークの効率性と有効性が実証された。
  論文  参考訳（メタデータ） (2021-02-22T08:23:22Z)
• 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)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。