論文の概要: Fast Knowledge Graph Completion using Graphics Processing Units

• arxiv url: http://arxiv.org/abs/2307.12059v1
• Date: Sat, 22 Jul 2023 12:00:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 18:07:21.204159
• Title: Fast Knowledge Graph Completion using Graphics Processing Units
• Title（参考訳）: グラフィックス処理ユニットを用いた知識グラフの高速補完
• Authors: Chun-Hee Lee, Dong-oh Kang, Hwa Jeon Song
• Abstract要約: 現在の知識グラフは、関係性の観点からより良い知識を得るために補完する必要がある。 知識グラフ埋め込みモデルを用いて新たな関係性を加えるためには、$Ntimes N times R$ vector operation を評価する必要がある。 我々は、知識グラフ埋め込みベクトルを用いて新しい関係を得るために、GPU上で効率的な知識グラフ補完フレームワークを提供する。
• 参考スコア（独自算出の注目度）: 0.1611401281366893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graphs can be used in many areas related to data semantics such as question-answering systems, knowledge based systems. However, the currently constructed knowledge graphs need to be complemented for better knowledge in terms of relations. It is called knowledge graph completion. To add new relations to the existing knowledge graph by using knowledge graph embedding models, we have to evaluate $N\times N \times R$ vector operations, where $N$ is the number of entities and $R$ is the number of relation types. It is very costly. In this paper, we provide an efficient knowledge graph completion framework on GPUs to get new relations using knowledge graph embedding vectors. In the proposed framework, we first define "transformable to a metric space" and then provide a method to transform the knowledge graph completion problem into the similarity join problem for a model which is "transformable to a metric space". After that, to efficiently process the similarity join problem, we derive formulas using the properties of a metric space. Based on the formulas, we develop a fast knowledge graph completion algorithm. Finally, we experimentally show that our framework can efficiently process the knowledge graph completion problem.
• Abstract（参考訳）: 知識グラフは、質問応答システム、知識ベースシステムなど、データセマンティクスに関連する多くの領域で利用することができる。 しかし、現在構築されている知識グラフは、関係の観点からより良い知識のために補足する必要がある。 これを知識グラフ補完と呼ぶ。 知識グラフ埋め込みモデルを用いて、既存の知識グラフに新たな関係性を加えるためには、$N\times N \times R$ vector operation, where $N$ is the number of entity and $R$ is the number of relation types。 非常に費用がかかる。 本稿では,知識グラフ埋め込みベクトルを用いた新しい関係を得るための,GPU上での効率的な知識グラフ補完フレームワークを提案する。 提案フレームワークでは,まず「計量空間に変換可能」を定義し,次に「計量空間に変換可能」なモデルに対して,知識グラフ補完問題を類似結合問題に変換する方法を提案する。 その後、類似性結合問題を効率的に処理するために、計量空間の性質を用いて公式を導出する。 式に基づいて,高速知識グラフ補完アルゴリズムを開発した。 最後に,本フレームワークが知識グラフ補完問題を効率的に処理できることを実験的に示す。

関連論文リスト

• Relations Prediction for Knowledge Graph Completion using Large Language Models [0.0]
  我々は,関係予測タスクのために,知識グラフノード名を用いて大きな言語モデルを微調整する。 実験の結果,広く利用されている知識グラフベンチマークにおいて,新たなスコアが得られた。
  論文  参考訳（メタデータ） (2024-05-04T19:04:51Z)
• MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
  学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。 最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。 本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
  論文  参考訳（メタデータ） (2024-01-10T07:58:44Z)
• KGrEaT: A Framework to Evaluate Knowledge Graphs via Downstream Tasks [1.8722948221596285]
  KGrEaTは、分類、クラスタリング、レコメンデーションといった実際の下流タスクを通じて知識グラフの品質を推定するフレームワークである。 フレームワークは知識グラフを入力として、評価対象のデータセットに自動的にマップし、定義されたタスクのパフォーマンスメトリクスを計算する。
  論文  参考訳（メタデータ） (2023-08-21T07:43:10Z)
• InGram: Inductive Knowledge Graph Embedding via Relation Graphs [16.005051393690792]
  本稿では,インダクティブ・ナレッジGRAph eMbedding法であるInGramを提案する。 実験の結果,InGramは様々な帰納的学習シナリオにおいて,14種類の最先端手法より優れていた。
  論文  参考訳（メタデータ） (2023-05-31T16:10:42Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• Bringing Your Own View: Graph Contrastive Learning without Prefabricated Data Augmentations [94.41860307845812]
  Self-supervisionは最近、グラフ学習の新しいフロンティアに力を入れている。 GraphCLは、グラフデータ拡張のアドホックな手作業による選択によって反映されたプレハブ付きプリファブリックを使用する。 グラフ生成器のパラメータ空間における学習可能な連続前処理へと拡張した。 我々は、情報最小化(InfoMin)と情報ボトルネック(InfoBN)の2つの原則を利用して、学習した事前情報を規則化する。
  論文  参考訳（メタデータ） (2022-01-04T15:49:18Z)
• Transformation of Node to Knowledge Graph Embeddings for Faster Link Prediction in Social Networks [2.458658951393896]
  ニューラルネットワークの最近の進歩は、リンク予測、ノード分類、ノードクラスタリング、ノードレコメンデーションといった一般的なグラフ問題を解決している。 本研究では,ランダムウォーク法から得られるノード埋め込みを,計算コストを増大させることなく,知識グラフ法から直接得られる埋め込みに変換する変換モデルについて検討する。
  論文  参考訳（メタデータ） (2021-11-17T04:57:41Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• About Graph Degeneracy, Representation Learning and Scalability [2.029783382155471]
  ウォークベースグラフ表現学習アルゴリズムの時間とメモリ消費を削減するために,Kコア分解を利用した2つの手法を提案する。 提案手法の有効性を,いくつかの学術的データセットを用いて評価した。
  論文  参考訳（メタデータ） (2020-09-04T09:39:43Z)
• Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
  本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。 エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。 その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-17T03:33:41Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。