論文の概要: Knowledge Graph Embedding with 3D Compound Geometric Transformations
- arxiv url: http://arxiv.org/abs/2304.00378v1
- Date: Sat, 1 Apr 2023 19:56:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 18:25:50.532810
- Title: Knowledge Graph Embedding with 3D Compound Geometric Transformations
- Title(参考訳): 3次元複合幾何変換による知識グラフ埋め込み
- Authors: Xiou Ge, Yun-Cheng Wang, Bin Wang, C.-C. Jay Kuo
- Abstract要約: 化合物Eとロータテ3Dは、翻訳、回転、スケーリング、反射、せん断を含む3次元の複雑な幾何学変換である。
CompoundE3Dの有効性と柔軟性を4つの一般的なリンク予測データセットで実験的に検証した。
- 参考スコア(独自算出の注目度): 32.528770408502396
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The cascade of 2D geometric transformations were exploited to model relations
between entities in a knowledge graph (KG), leading to an effective KG
embedding (KGE) model, CompoundE. Furthermore, the rotation in the 3D space was
proposed as a new KGE model, Rotate3D, by leveraging its non-commutative
property. Inspired by CompoundE and Rotate3D, we leverage 3D compound geometric
transformations, including translation, rotation, scaling, reflection, and
shear and propose a family of KGE models, named CompoundE3D, in this work.
CompoundE3D allows multiple design variants to match rich underlying
characteristics of a KG. Since each variant has its own advantages on a subset
of relations, an ensemble of multiple variants can yield superior performance.
The effectiveness and flexibility of CompoundE3D are experimentally verified on
four popular link prediction datasets.
- Abstract(参考訳): 2次元幾何変換のカスケードは知識グラフ(KG)内の実体間の関係をモデル化するために利用され、有効なKG埋め込み(KGE)モデルである CompoundE へと導かれた。
さらに、3次元空間の回転は、その非可換性を利用して新しいKGEモデルRotate3Dとして提案された。
本研究では,化合物と回転3dに着想を得て,変換,回転,スケーリング,反射,せん断を含む3次元複合幾何変換を活用し,化合物3dと呼ばれるkgeモデル群を提案する。
CompoundE3Dは、KGの豊富な基礎特性にマッチする複数の設計のバリエーションを可能にする。
各変種は関係のサブセットに対して独自の利点を持つので、複数の変種をアンサンブルすることで優れた性能が得られる。
CompoundE3Dの有効性と柔軟性を4つの一般的なリンク予測データセットで実験的に検証した。
関連論文リスト
- Pushing Auto-regressive Models for 3D Shape Generation at Capacity and
Scalability [121.44324465222498]
自己回帰モデルでは,格子空間における関節分布をモデル化することにより,2次元画像生成において顕著な結果が得られた。
自動回帰モデルを3次元領域に拡張し,キャパシティとスケーラビリティを同時に向上することにより,3次元形状生成の強力な能力を求める。
論文 参考訳(メタデータ) (2024-02-19T15:33:09Z) - CompoundE: Knowledge Graph Embedding with Translation, Rotation and
Scaling Compound Operations [32.528770408502396]
本稿では,翻訳,回転,スケーリング操作を利用した知識グラフ埋め込みモデルを提案する。
翻訳、回転、スケーリング操作は複合モデルを形成するためにカスケードされるので、新しいモデルは CompoundE と呼ばれる。
論文 参考訳(メタデータ) (2022-07-12T05:41:32Z) - 3D Equivariant Graph Implicit Functions [51.5559264447605]
局所的詳細のモデリングを容易にする同変層を持つグラフ暗黙関数の新しいファミリを導入する。
提案手法は,ShapeNet再構成作業において既存の回転同変暗黙関数を0.69から0.89に改善する。
論文 参考訳(メタデータ) (2022-03-31T16:51:25Z) - Geometry-Contrastive Transformer for Generalized 3D Pose Transfer [95.56457218144983]
この研究の直感は、与えられたメッシュ間の幾何学的不整合を強力な自己認識機構で知覚することである。
本研究では,グローバルな幾何学的不整合に対する3次元構造的知覚能力を有する新しい幾何学コントラスト変換器を提案する。
本稿では, クロスデータセット3次元ポーズ伝達タスクのための半合成データセットとともに, 潜時等尺正則化モジュールを提案する。
論文 参考訳(メタデータ) (2021-12-14T13:14:24Z) - Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D
Shape Synthesis [90.26556260531707]
DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。
メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
論文 参考訳(メタデータ) (2021-11-08T05:29:35Z) - 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) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳(メタデータ) (2020-07-30T18:23:18Z) - Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。
局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。
本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文 参考訳(メタデータ) (2020-04-21T13:40:03Z)
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。