論文の概要: Concept2Box: Joint Geometric Embeddings for Learning Two-View Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2307.01933v1
• Date: Tue, 4 Jul 2023 21:37:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 15:40:44.110302
• Title: Concept2Box: Joint Geometric Embeddings for Learning Two-View Knowledge Graphs
• Title（参考訳）: concept2box: 2視点知識グラフ学習のための合同幾何埋め込み
• Authors: Zijie Huang, Daheng Wang, Binxuan Huang, Chenwei Zhang, Jingbo Shang, Yan Liang, Zhengyang Wang, Xian Li, Christos Faloutsos, Yizhou Sun, Wei Wang
• Abstract要約: Concept2Boxは、KGの2つのビューを共同で埋め込む新しいアプローチである。 ボックス埋め込みは、それら間の重複や解離のような階層構造と複雑な関係を学習する。 本稿では,新しいベクトル-ボックス間距離測定法を提案し,両者の埋め込みを共同で学習する。
• 参考スコア（独自算出の注目度）: 77.10299848546717
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph embeddings (KGE) have been extensively studied to embed large-scale relational data for many real-world applications. Existing methods have long ignored the fact many KGs contain two fundamentally different views: high-level ontology-view concepts and fine-grained instance-view entities. They usually embed all nodes as vectors in one latent space. However, a single geometric representation fails to capture the structural differences between two views and lacks probabilistic semantics towards concepts' granularity. We propose Concept2Box, a novel approach that jointly embeds the two views of a KG using dual geometric representations. We model concepts with box embeddings, which learn the hierarchy structure and complex relations such as overlap and disjoint among them. Box volumes can be interpreted as concepts' granularity. Different from concepts, we model entities as vectors. To bridge the gap between concept box embeddings and entity vector embeddings, we propose a novel vector-to-box distance metric and learn both embeddings jointly. Experiments on both the public DBpedia KG and a newly-created industrial KG showed the effectiveness of Concept2Box.
• Abstract（参考訳）: 知識グラフ埋め込み(KGE)は、多くの実世界のアプリケーションに大規模な関係データを埋め込むために広く研究されている。 既存の手法では、多くのkgsが2つの基本的な異なるビューを持っているという事実を長い間無視してきた。 通常、すべてのノードをベクトルとして1つの潜在空間に埋め込む。 しかし、一つの幾何学的表現は2つのビューの構造的な違いを捉えず、概念の粒度に対する確率論的意味論を欠いている。 双対幾何表現を用いたkgの2つのビューを共同で埋め込む新しいアプローチであるconcept2boxを提案する。 我々は,階層構造や重なりや不一致といった複雑な関係を学習するボックス埋め込みを用いて概念をモデル化する。 ボックスボリュームは概念の粒度として解釈できる。 概念とは違って、エンティティをベクトルとしてモデル化します。 概念箱埋め込みと実体ベクトル埋め込みのギャップを埋めるため,新しいベクトル-箱間距離測定法を提案し,両埋め込みを共同で学習する。 パブリックDBpedia KGと新しい産業KGの両方の実験は、Concept2Boxの有効性を示した。

関連論文リスト

• How to Blend Concepts in Diffusion Models [48.68800153838679]
  近年の手法は複数の潜在表現とその関連性を利用しており、この研究はさらに絡み合っている。 我々のゴールは、潜在空間における操作が根底にある概念にどのように影響するかを理解することです。 我々の結論は、宇宙操作によるブレンドの概念は可能であるが、最良の戦略はブレンドの文脈に依存する。
  論文  参考訳（メタデータ） (2024-07-19T13:05:57Z)
• Knowledge Graph Embedding: An Overview [42.16033541753744]
  本稿では,知識グラフの完成に関する現在の研究状況について概観する。 我々は,KG埋め込み(KGE)設計の2つの主要分野に焦点を当てた:1)距離ベース手法と2)意味マッチング方式である。 次に,2次元および3次元アフィン操作からインスピレーションを得る複合Eと複合E3Dを探索する。
  論文  参考訳（メタデータ） (2023-09-21T21:52:42Z)
• Dual-Geometric Space Embedding Model for Two-View Knowledge Graphs [32.47146018135465]
  2ビュー知識グラフ(KG)は、抽象概念と常識概念のオントロジービューと、特定のエンティティのインスタンスビューの2つのコンポーネントを共同で表現する。 KGの埋め込みに関する最近の研究は、KG全体が2つのビューのうちの1つにしか属さないが、同時には存在しないと仮定している。 複素非ユークリッド幾何学空間を用いて2次元KGをモデル化する双対幾何学空間埋め込みモデル(DGS)を構築する。
  論文  参考訳（メタデータ） (2022-09-19T05:11:10Z)
• FALCON: Fast Visual Concept Learning by Integrating Images, Linguistic descriptions, and Conceptual Relations [99.54048050189971]
  自然に発生する複数のデータストリームによってガイドされる新しい視覚概念を素早く学習するフレームワークを提案する。 学習された概念は、未知の画像について推論することで質問に答えるなど、下流のアプリケーションをサポートする。 合成と実世界の両方のデータセットにおけるモデルの有効性を実証する。
  論文  参考訳（メタデータ） (2022-03-30T19:45:00Z)
• Unsupervised Learning of Compositional Energy Concepts [70.11673173291426]
  本稿では,概念を別個のエネルギー関数として発見し,表現するCOMETを提案する。 Cometは、統一されたフレームワークの下でのオブジェクトだけでなく、グローバルな概念も表現します。
  論文  参考訳（メタデータ） (2021-11-04T17:46:12Z)
• Universal Representation Learning of Knowledge Bases by Jointly Embedding Instances and Ontological Concepts [39.99087114075884]
  我々は,より優れた知識の埋め込みを実現するために,新しい2視点KG埋め込みモデルJOIEを提案する。 JOIEは、知識基盤の複数の側面を学習するクロスビューおよびイントラビューモデリングを採用しています。 私たちのモデルは、大規模なインスタンスと(小さな)クロスビューリンクを介して接続された対応するオントロジ概念からなる大規模な知識ベースで訓練されます。
  論文  参考訳（メタデータ） (2021-03-15T03:24:37Z)
• On the Role of Conceptualization in Commonsense Knowledge Graph Construction [59.39512925793171]
  アトミックやASERのような常識知識グラフ(CKG)は、従来のKGと大きく異なる。 本稿では, CKG の概念化手法を紹介し, テキストに記述されたエンティティを特定の概念のインスタンスとみなすか, あるいはその逆を例に紹介する。 提案手法は, 可塑性三重項を効果的に同定し, 新たなノードの3重項と, 多様性と新規性の両端項によってKGを拡張できる。
  論文  参考訳（メタデータ） (2020-03-06T14:35:20Z)
• Visual Concept-Metaconcept Learning [101.62725114966211]
  本稿では,概念とメタ概念を画像と関連する問合せ対から学習するための視覚概念メタコンセプタ(VCML)を提案する。 赤と緑がオブジェクトの同じ性質を記述していることを知ると、立方体と球面がオブジェクトの同じ性質を記述しているという事実を一般化する。
  論文  参考訳（メタデータ） (2020-02-04T18:42:30Z)

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。