論文の概要: The Structure and Dynamics of Knowledge Graphs, with Superficiality
- arxiv url: http://arxiv.org/abs/2305.08116v1
- Date: Sun, 14 May 2023 10:16:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 17:24:06.863543
- Title: The Structure and Dynamics of Knowledge Graphs, with Superficiality
- Title(参考訳): 超現実性を持つ知識グラフの構造とダイナミクス
- Authors: Lo\"ick Lhote, B\'eatrice Markhoff, Arnaud Soulet
- Abstract要約: 現実性は、事実が独立して生成される関係の重複を制御する。
これは知識グラフの構造と力学に関する最初のモデルである。
- 参考スコア(独自算出の注目度): 0.05156484100374058
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large knowledge graphs combine human knowledge garnered from projects ranging
from academia and institutions to enterprises and crowdsourcing. Within such
graphs, each relationship between two nodes represents a basic fact involving
these two entities. The diversity of the semantics of relationships constitutes
the richness of knowledge graphs, leading to the emergence of singular
topologies, sometimes chaotic in appearance. However, this complex
characteristic can be modeled in a simple way by introducing the concept of
superficiality, which controls the overlap between relationships whose facts
are generated independently. Superficiality also regulates the balance of the
global distribution of knowledge by determining the proportion of misdescribed
entities. This is the first model for the structure and dynamics of knowledge
graphs. It leads to a better understanding of formal knowledge acquisition and
organization.
- Abstract(参考訳): 大規模な知識グラフは、学界や機関から企業、クラウドソーシングに至るまで、さまざまなプロジェクトから収集された人間の知識を組み合わせる。
このようなグラフの中では、2つのノード間の関係は2つの実体を含む基本的な事実を表している。
関係のセマンティクスの多様性は知識グラフの豊かさを構成しており、特異なトポロジーが出現し、時には外観が混乱することがある。
しかし、この複雑な特徴は、事実が独立して生成される関係の重複を制御する超現実性の概念を導入することで、単純な方法でモデル化することができる。
現実性はまた、誤解された実体の割合を決定することによって、知識のグローバルな分布のバランスを規制する。
これは知識グラフの構造とダイナミクスに関する最初のモデルである。
これは、正式な知識獲得と組織に関する理解を深めます。
関連論文リスト
- Accelerating Scientific Discovery with Generative Knowledge Extraction, Graph-Based Representation, and Multimodal Intelligent Graph Reasoning [0.0]
我々は1000の科学論文からなるデータセットを、オントロジ知識グラフに変換した。
我々はノード度を計算し、コミュニティと接続性を同定し、クラスタリング係数とピボットノード間の重心性を評価した。
グラフは本質的に無スケールの性質を持ち、高連結であり、グラフ推論に使用できる。
論文 参考訳(メタデータ) (2024-03-18T17:30:27Z) - Rule-Guided Joint Embedding Learning over Knowledge Graphs [6.831227021234669]
本稿では,コンテキスト情報とリテラル情報の両方を実体と関係埋め込みに組み込んだ新しいモデルを提案する。
文脈情報については,信頼度と関連度を指標として重要度を評価する。
2つの確立されたベンチマークデータセットに対して、徹底的な実験を行い、モデル性能を検証する。
論文 参考訳(メタデータ) (2023-12-01T19:58:31Z) - Self-organization Preserved Graph Structure Learning with Principle of
Relevant Information [72.83485174169027]
PRI-GSLは、自己組織化を特定し、隠された構造を明らかにするグラフ構造学習フレームワークである。
PRI-GSLは、フォン・ノイマンエントロピーと量子ジェンセン=シャノンの発散によって定量化された最も関連性が最も低い冗長な情報を含む構造を学ぶ。
論文 参考訳(メタデータ) (2022-12-30T16:02:02Z) - Learning Representations of Entities and Relations [0.0]
この論文は,リンク予測タスクに取り組むことを目的とした知識グラフ表現の改善に焦点を当てている。
最初のコントリビューションはHypERであり、リンク予測性能を単純化し改善する畳み込みモデルである。
第2のコントリビューションは比較的単純な線形モデルであるTuckERで、このモデルが導入された時点では、最先端のリンク予測性能が得られた。
第3の貢献は、双曲空間に埋め込まれた最初のマルチリレーショナルグラフ表現モデルである MuRP である。
論文 参考訳(メタデータ) (2022-01-31T09:24:43Z) - Knowledge Sheaves: A Sheaf-Theoretic Framework for Knowledge Graph
Embedding [1.5469452301122175]
知識グラフの埋め込みは, トポロジカル言語, カテゴリー言語で自然に表現されていることを示す。
知識グラフの埋め込みは、グラフ上の適切なテクスチャ知識棚の近似グローバルセクションとして記述することができる。
結果として得られる埋め込みは、特別な訓練をせずに合成関係の推論に容易に適応できる。
論文 参考訳(メタデータ) (2021-10-07T20:54:40Z) - Distilling Holistic Knowledge with Graph Neural Networks [37.86539695906857]
知識蒸留(KD)は、より大規模な教師ネットワークからより小さな学習可能な学生ネットワークへ知識を伝達することを目的としている。
既存のKD法は主に、個々の知識と関係知識の2つの種類の知識を考察してきた。
本稿では, インスタンス間に構築された属性グラフに基づいて, 新たな包括的知識を蒸留する。
論文 参考訳(メタデータ) (2021-08-12T02:47:59Z) - Compositional Processing Emerges in Neural Networks Solving Math
Problems [100.80518350845668]
人工知能の最近の進歩は、大きなモデルが十分な言語データに基づいて訓練されると、文法構造が表現に現れることを示している。
我々は、この研究を数学的推論の領域にまで拡張し、どのように意味を構成するべきかについての正確な仮説を定式化することができる。
私たちの研究は、ニューラルネットワークがトレーニングデータに暗黙的に構造化された関係について何かを推測できるだけでなく、個々の意味の合成を合成全体へと導くために、この知識を展開できることを示している。
論文 参考訳(メタデータ) (2021-05-19T07:24:42Z) - Graph Information Bottleneck [77.21967740646784]
グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。
GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。
提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
論文 参考訳(メタデータ) (2020-10-24T07:13:00Z) - Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文 参考訳(メタデータ) (2020-06-29T01:01:42Z) - A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for
Question Answering Over Dynamic Contexts [81.4757750425247]
動的テキスト環境における質問応答について検討する。
構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
論文 参考訳(メタデータ) (2020-04-25T04:53:54Z) - 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)
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。