論文の概要: FFHR: Fully and Flexible Hyperbolic Representation for Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2302.04088v1
• Date: Tue, 7 Feb 2023 14:50:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-09 16:12:05.992596
• Title: FFHR: Fully and Flexible Hyperbolic Representation for Knowledge Graph Completion
• Title（参考訳）: FFHR:知識グラフ補完のための完全かつ柔軟な双曲表現
• Authors: Wentao Shi, Junkang Wu, Xuezhi Cao, Jiawei Chen, Wenqiang Lei, Wei Wu and Xiangnan He
• Abstract要約: 双曲空間におけるいくつかの重要な操作は、まだ良い定義を欠いているため、既存の方法では双曲空間の利点を十分に活用できない。 我々は,近年のユークリッド対応の進歩を双曲空間に転送できるtextbfFully と textbfFlexible textbfHyperbolic textbfRepresentation フレームワーク (textbfFFHR) を開発した。
• 参考スコア（独自算出の注目度）: 45.470475498688344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning hyperbolic embeddings for knowledge graph (KG) has gained increasing attention due to its superiority in capturing hierarchies. However, some important operations in hyperbolic space still lack good definitions, making existing methods unable to fully leverage the merits of hyperbolic space. Specifically, they suffer from two main limitations: 1) existing Graph Convolutional Network (GCN) methods in hyperbolic space rely on tangent space approximation, which would incur approximation error in representation learning, and 2) due to the lack of inner product operation definition in hyperbolic space, existing methods can only measure the plausibility of facts (links) with hyperbolic distance, which is difficult to capture complex data patterns. In this work, we contribute: 1) a Full Poincar\'{e} Multi-relational GCN that achieves graph information propagation in hyperbolic space without requiring any approximation, and 2) a hyperbolic generalization of Euclidean inner product that is beneficial to capture both hierarchical and complex patterns. On this basis, we further develop a \textbf{F}ully and \textbf{F}lexible \textbf{H}yperbolic \textbf{R}epresentation framework (\textbf{FFHR}) that is able to transfer recent Euclidean-based advances to hyperbolic space. We demonstrate it by instantiating FFHR with four representative KGC methods. Extensive experiments on benchmark datasets validate the superiority of our FFHRs over their Euclidean counterparts as well as state-of-the-art hyperbolic embedding methods.
• Abstract（参考訳）: 知識グラフ(KG)に対する双曲的埋め込みの学習は,階層の獲得における優位性から注目されている。 しかし、双曲空間におけるいくつかの重要な操作はまだ良い定義が欠けているため、既存の手法では双曲空間の利点を十分に活用できない。 具体的には2つの大きな制限があります 1) 双曲空間における既存のグラフ畳み込みネットワーク(GCN)法は,表現学習において近似誤差が発生するような接空間近似に依存している。 2) 双曲空間における内積演算定義の欠如により, 既存の手法は, 複雑なデータパターンを捉えるのが難しい, 双曲距離を持つ事実(リンク)の妥当性を測ることしかできない。 この研究で、私たちは次のように貢献します。 1) 双曲空間におけるグラフ情報の伝播を近似を必要とせずに達成する完全ポアンカー\'{e} 多関係GCN 2) ユークリッド内積の双曲的一般化は、階層的パターンと複素パターンの両方を取り込むのに有用である。 そこで我々はさらに,最近のユークリッドベースの進歩を双曲空間に移すことのできる, \textbf{f}ully および \textbf{f}lexible \textbf{h}yperbolic \textbf{r}epresentation framework (\textbf{ffhr}) の開発を行った。 FFHRを4つの代表的KGC手法でインスタンス化する。 ベンチマークデータセットに関する広範な実験は、euclideanや最先端の双曲埋め込みメソッドよりもffhrが優れていることを検証します。

関連論文リスト

• Disentangled Hyperbolic Representation Learning for Heterogeneous Graphs [29.065531121422204]
  本稿では,分散ハイパーボリックなヘテロジニアスグラフ畳み込みネットワークである$textDis-H2textGCN$を提案する。 提案した$textDis-H2textGCN$を実世界の5つの異種グラフデータセット上で評価した。
  論文  参考訳（メタデータ） (2024-06-14T18:50:47Z)
• Hyperbolic vs Euclidean Embeddings in Few-Shot Learning: Two Sides of the Same Coin [49.12496652756007]
  この結果から, 共通の双曲半径での双曲埋め込みが達成できることが示唆された。 従来のベンチマーク結果とは対照的に、ユークリッド計量を備えた固定半径エンコーダにより、より良い性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-09-18T14:51:46Z)
• Tight and fast generalization error bound of graph embedding in metric space [54.279425319381374]
  非ユークリッド計量空間へのグラフ埋め込みは、既存の有界よりもはるかに少ない訓練データを持つユークリッド空間におけるグラフ埋め込みよりも優れていることを示す。 我々の新しい上限は、既存の上限よりもかなり強く速く、最大で$R$と$O(frac1S)$に指数関数できる。
  論文  参考訳（メタデータ） (2023-05-13T17:29:18Z)
• HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization [52.369435664689995]
  HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。 具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。 提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
  論文  参考訳（メタデータ） (2022-04-18T06:11:44Z)
• Provably Accurate and Scalable Linear Classifiers in Hyperbolic Spaces [39.71927912296049]
  スケーラブルで単純な双曲型線形分類器を学習するための統一的なフレームワークを提案する。 我々のアプローチの要点は、ポアンカーの球体モデルに焦点を合わせ、接空間形式を用いて分類問題を定式化することである。 Poincarの2階と戦略的パーセプトロンの優れた性能は、提案フレームワークが双曲空間における一般的な機械学習問題にまで拡張可能であることを示している。
  論文  参考訳（メタデータ） (2022-03-07T21:36:21Z)
• HyLa: Hyperbolic Laplacian Features For Graph Learning [44.33054069927441]
  ハイパーボリック空間は、ツリーとグラフ構造化データの埋め込みをサポートすることができる。 グラフ学習では、双曲空間の点がディープニューラルネットワークの信号としてうまく使われている。 既存の双曲ネットワークは計算コストが高く、数値的に不安定である。 グラフ学習において双曲空間を利用するための全く異なるアプローチであるHyLaを提案する。
  論文  参考訳（メタデータ） (2022-02-14T16:40:24Z)
• Enhancing Hyperbolic Graph Embeddings via Contrastive Learning [7.901082408569372]
  複数の双曲空間を通してノード表現を学習する新しいハイパーボリックグラフコントラスト学習(HGCL)フレームワークを提案する。 複数の実世界のデータセットに対する実験結果は、提案したHGCLの優位性を示している。
  論文  参考訳（メタデータ） (2022-01-21T06:10:05Z)
• A Hyperbolic-to-Hyperbolic Graph Convolutional Network [46.80564170208473]
  H2H-GCN(hyperbolic-to-hyperbolic graph Convolutional Network)を提案する。 H2H-GCNは、リンク予測、ノード分類、グラフ分類タスクを大幅に改善する。
  論文  参考訳（メタデータ） (2021-04-14T16:09:27Z)
• Differentiating through the Fr\'echet Mean [51.32291896926807]
  フレット平均(Fr'echet mean)はユークリッド平均の一般化である。 任意のリーマン多様体に対して Fr'echet 平均を微分する方法を示す。 これにより、Fr'echet平均を双曲型ニューラルネットワークパイプラインに完全に統合する。
  論文  参考訳（メタデータ） (2020-02-29T19:49:38Z)

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。