論文の概要: AsyncET: Asynchronous Learning for Knowledge Graph Entity Typing with Auxiliary Relations

• arxiv url: http://arxiv.org/abs/2308.16055v1
• Date: Wed, 30 Aug 2023 14:24:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-31 13:13:44.793815
• Title: AsyncET: Asynchronous Learning for Knowledge Graph Entity Typing with Auxiliary Relations
• Title（参考訳）: asyncet: 補助関係を持つ知識グラフエンティティ型付けのための非同期学習
• Authors: Yun-Cheng Wang, Xiou Ge, Bin Wang, C.-C. Jay Kuo
• Abstract要約: 複数の補助関係を導入することで知識グラフ埋め込み(KGE)手法の表現性を向上させる。 類似のエンティティタイプは、補助的な関係の数を減らし、異なる粒度を持つエンティティタイプのパターンをモデル化する能力を改善するためにグループ化される。 KGETタスクにおけるKGEメソッドの性能を大幅に改善できることを示すために、2つの一般的なKGETデータセットで実験を行った。
• 参考スコア（独自算出の注目度）: 42.16033541753744
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Knowledge graph entity typing (KGET) is a task to predict the missing entity types in knowledge graphs (KG). Previously, KG embedding (KGE) methods tried to solve the KGET task by introducing an auxiliary relation, 'hasType', to model the relationship between entities and their types. However, a single auxiliary relation has limited expressiveness for diverse entity-type patterns. We improve the expressiveness of KGE methods by introducing multiple auxiliary relations in this work. Similar entity types are grouped to reduce the number of auxiliary relations and improve their capability to model entity-type patterns with different granularities. With the presence of multiple auxiliary relations, we propose a method adopting an Asynchronous learning scheme for Entity Typing, named AsyncET, which updates the entity and type embeddings alternatively to keep the learned entity embedding up-to-date and informative for entity type prediction. Experiments are conducted on two commonly used KGET datasets to show that the performance of KGE methods on the KGET task can be substantially improved by the proposed multiple auxiliary relations and asynchronous embedding learning. Furthermore, our method has a significant advantage over state-of-the-art methods in model sizes and time complexity.
• Abstract（参考訳）: 知識グラフエンティティタイピング(KGET)は、知識グラフ(KG)に欠けているエンティティタイプを予測するタスクである。 これまで、KG埋め込み(KGE)メソッドは、エンティティとそれらのタイプの関係をモデル化するために、補助的な関係である'hasType'を導入して、KGETタスクの解決を試みた。 しかし、単一の補助関係は、多様なエンティティタイプのパターンに対する表現性に制限がある。 本研究では,複数の補助的関係を導入することで,KGE手法の表現性を向上する。 類似したエンティティタイプは、補助関係の数を減らし、異なる粒度のエンティティタイプのパターンをモデル化する能力を向上させるためにグループ化される。 複数の補助的関係が存在するため、我々は、エンティティと型埋め込みを更新するAsyncETという、エンティティ型予測のための非同期学習方式を採用する方法を提案する。 KGETタスクにおけるKGE手法の性能は、提案した複数の補助的関係と非同期埋め込み学習によって大幅に改善できることを示すために、2つの一般的なKGETデータセットを用いて実験を行った。 さらに,本手法は,モデルサイズと時間複雑性において,最先端の手法よりも大きなアドバンテージを有する。

関連論文リスト

• Knowledge Graph Embeddings: A Comprehensive Survey on Capturing Relation Properties [5.651919225343915]
  知識グラフ埋め込み(KGE)技術は、記号的知識グラフを数値表現に変換する上で重要な役割を果たしている。 本稿では、一対一、一対多、多対一、多対多といった関係に固有の複素写像特性について述べる。 我々は、KGEにマルチモーダル情報を統合すること、規則付き関係パターンモデリングを強化すること、動的KGE設定における関係特性を捉えるモデルを開発することなど、革新的なアイデアを探求する。
  論文  参考訳（メタデータ） (2024-10-16T08:54:52Z)
• A Comprehensive Study on Knowledge Graph Embedding over Relational Patterns Based on Rule Learning [49.09125100268454]
  KGE(Knowledge Graph Embedding)は、KGC(Knowledge Completion Graph)タスクを解決するための効果的なアプローチであることが証明されている。 関係パターンはKGEモデルの性能において重要な要素である。 我々は,KGEモデルの性能を様々な関係パターン上で向上させるトレーニングフリー手法を提案する。
  論文  参考訳（メタデータ） (2023-08-15T17:30:57Z)
• Polar Ducks and Where to Find Them: Enhancing Entity Linking with Duck Typing and Polar Box Embeddings [11.164501311947124]
  DUCKは、エンティティ表現の空間に構造情報を注入するアプローチである。 知識グラフ内の他のエンティティとの関連性に基づいてエンティティの型を定義する。 関係に対応するボックス内に配置することで,類似型のエンティティをクラスタリングするモデルを最適化する。
  論文  参考訳（メタデータ） (2023-05-19T22:42:16Z)
• Prototype-based Embedding Network for Scene Graph Generation [105.97836135784794]
  現在のシーングラフ生成(SGG)手法は、コンテキスト情報を探索し、エンティティペア間の関係を予測する。 被写体と対象物の組み合わせが多様であるため、各述語カテゴリーには大きなクラス内変異が存在する。 プロトタイプベースのEmbedding Network (PE-Net) は、エンティティ/述語を、プロトタイプに準拠したコンパクトで独特な表現でモデル化する。 PLは、PE-Netがそのようなエンティティ述語マッチングを効率的に学習するのを助けるために導入され、不明瞭なエンティティ述語マッチングを緩和するためにプロトタイプ正規化(PR)が考案されている。
  論文  参考訳（メタデータ） (2023-03-13T13:30:59Z)
• Entity Type Prediction Leveraging Graph Walks and Entity Descriptions [4.147346416230273]
  textitGRANDは、RDF2vecの異なるグラフウォーク戦略とテキストエンティティ記述を利用したエンティティ型付けの新しいアプローチである。 提案手法は,細粒度クラスと粗粒度クラスの両方において,KGにおけるエンティティ型付けのためのベンチマークデータセットDBpediaとFIGERのベースラインアプローチよりも優れている。
  論文  参考訳（メタデータ） (2022-07-28T13:56:55Z)
• Document-Level Relation Extraction with Reconstruction [28.593318203728963]
  文書レベルの関係抽出(DocRE)のための新しいエンコーダ分類器再構成モデルを提案する。 再構築器は、グラフ表現からの基底経路依存性を再構築し、提案されたDocREモデルがトレーニングにおけるエンティティペアと関係をエンコードすることにもっと注意を払っていることを確認する。 大規模docreデータセットにおける実験結果から,提案モデルにより,グラフベースラインにおける関係抽出精度が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-12-21T14:29:31Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• AutoETER: Automated Entity Type Representation for Knowledge Graph Embedding [40.900070190077024]
  我々は、Entity TypE Representation(AutoETER)を用いた新しい知識グラフ埋め込み(KGE)フレームワークを開発した。 我々のアプローチは、すべての関係パターンと複雑な関係をモデル化し、推測することができる。 4つのデータセットの実験は、リンク予測タスクにおける最先端のベースラインと比較して、我々のモデルの優れた性能を示している。
  論文  参考訳（メタデータ） (2020-09-25T04:27:35Z)
• AutoRC: Improving BERT Based Relation Classification Models via Architecture Search [50.349407334562045]
  BERTに基づく関係分類(RC)モデルは、従来のディープラーニングモデルよりも大幅に改善されている。 最適なアーキテクチャとは何かという合意は得られない。 BERTをベースとしたRCモデルのための包括的検索空間を設計し、設計選択を自動的に検出するためにNAS(Neural Architecture Search)手法を用いる。
  論文  参考訳（メタデータ） (2020-09-22T16:55:49Z)
• Interpretable Entity Representations through Large-Scale Typing [61.4277527871572]
  本稿では,人間の読みやすいエンティティ表現を作成し,箱から高パフォーマンスを実現する手法を提案する。 我々の表現は、微粒な実体型に対する後続確率に対応するベクトルである。 特定のドメインに対して,学習に基づく方法で,型セットのサイズを縮小できることを示す。
  論文  参考訳（メタデータ） (2020-04-30T23:58:03Z)

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。