論文の概要: Geometric Relational Embeddings: A Survey
- arxiv url: http://arxiv.org/abs/2304.11949v1
- Date: Mon, 24 Apr 2023 09:33:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 15:30:53.293080
- Title: Geometric Relational Embeddings: A Survey
- Title(参考訳): 幾何学的関係埋め込み:調査
- Authors: Bo Xiong, Mojtaba Nayyeri, Ming Jin, Yunjie He, Michael Cochez, Shirui
Pan, Steffen Staab
- Abstract要約: 本研究では,データ表現に使用される埋め込みジオメトリに基づいて,幾何的リレーショナル埋め込みを下位に調査し,それらを分類する。
埋め込みの各種類の所望の特性(すなわち帰納バイアス)を特定し、潜在的な将来の研究について議論する。
- 参考スコア(独自算出の注目度): 39.57716353191535
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Geometric relational embeddings map relational data as geometric objects that
combine vector information suitable for machine learning and
structured/relational information for structured/relational reasoning,
typically in low dimensions. Their preservation of relational structures and
their appealing properties and interpretability have led to their uptake for
tasks such as knowledge graph completion, ontology and hierarchy reasoning,
logical query answering, and hierarchical multi-label classification. We survey
methods that underly geometric relational embeddings and categorize them based
on (i) the embedding geometries that are used to represent the data; and (ii)
the relational reasoning tasks that they aim to improve. We identify the
desired properties (i.e., inductive biases) of each kind of embedding and
discuss some potential future work.
- Abstract(参考訳): 幾何学的リレーショナル埋め込みは、機械学習に適したベクトル情報と構造的/関係的推論のための構造化/関係的情報を組み合わせた幾何学的オブジェクトとしてマッピングする。
それらの関係構造の保存とその魅力と解釈性は、知識グラフの完成、オントロジーと階層的推論、論理的クエリ応答、階層的マルチラベル分類といったタスクの獲得につながった。
幾何的関係埋め込みを下方から調査し,それに基づいて分類する。
(i)データを表わすのに使用される埋め込みジオメトリ、
(ii)改善を目指す関係推論タスク。
埋め込みの各種類の所望の特性(すなわち帰納バイアス)を特定し、潜在的な将来の研究について議論する。
関連論文リスト
- 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) - Learning Hierarchical Relational Representations through Relational
Convolutions [2.99146123420045]
我々は「関係畳み込みネットワーク」と呼ぶアーキテクチャフレームワークを提案する。
グラフレットフィルタが入力のパッチにマッチする関係畳み込み演算を形式化する。
また、下流タスクに関連するオブジェクトのグルーピングを明示的に学習するためのメカニズムも提案する。
論文 参考訳(メタデータ) (2023-10-05T01:22:50Z) - Towards a mathematical understanding of learning from few examples with
nonlinear feature maps [68.8204255655161]
トレーニングセットがわずか数個のデータポイントから構成されるデータ分類の問題を考える。
我々は、AIモデルの特徴空間の幾何学、基礎となるデータ分布の構造、モデルの一般化能力との間の重要な関係を明らかにする。
論文 参考訳(メタデータ) (2022-11-07T14:52:58Z) - On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。
単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
論文 参考訳(メタデータ) (2022-06-09T16:24:01Z) - Discovering Fine-Grained Semantics in Knowledge Graph Relations [5.619233302594469]
異なるタイプのエンティティ間の多文の関係は、複数の意味論を表す。
エンティティタイプ分類、質問応答、知識グラフ補完などの多くのユースケースでは、正しい意味解釈が必要である。
本稿では,抽象的関係に関連する異なる意味を発見するための戦略を提案し,細かな意味を持つ多くの部分関係を導出する。
論文 参考訳(メタデータ) (2022-02-17T22:05:41Z) - ConE: Cone Embeddings for Multi-Hop Reasoning over Knowledge Graphs [73.86041481470261]
Cone Embeddings (ConE) は、接続、解離、否定を扱える最初の幾何学ベースのクエリ埋め込みモデルである。
ConEは、ベンチマークデータセットの既存の最先端メソッドを大幅に上回る。
論文 参考訳(メタデータ) (2021-10-26T14:04:02Z) - Unraveling the graph structure of tabular datasets through Bayesian and
spectral analysis [3.128267020893596]
ネストブロックモデル(nSBM)によって得られた階層的モジュラー構造の推論は,特徴のクラスを特定し,非自明な関係を解くのに役立つことを示す。
ブラジルの学生を対象に実施した社会経済調査: PeNSE 調査について分析した。
論文 参考訳(メタデータ) (2021-10-04T12:51:55Z) - pix2rule: End-to-end Neuro-symbolic Rule Learning [84.76439511271711]
本稿では,画像のオブジェクトへの処理,学習関係,論理規則に関する完全なニューロシンボリックな手法を提案する。
主な貢献は、シンボリックリレーションとルールを抽出できるディープラーニングアーキテクチャにおける差別化可能なレイヤである。
我々のモデルは最先端のシンボリックラーナーを超えてスケールし、ディープリレーショナルニューラルネットワークアーキテクチャよりも優れていることを実証する。
論文 参考訳(メタデータ) (2021-06-14T15:19:06Z) - 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) - Representing Deep Neural Networks Latent Space Geometries with Graphs [38.63434325489782]
ディープラーニング(DL)は多くの機械学習タスクで最先端のパフォーマンスに到達する能力に多くの注目を集めている。
本研究は, 様々な問題に対処するために, これらの潜在測地に関する制約を導入することが可能であることを示す。
論文 参考訳(メタデータ) (2020-11-14T17:21:29Z)
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。