論文の概要: Model-based Subsampling for Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2309.09296v1
• Date: Sun, 17 Sep 2023 15:12:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 16:21:40.509434
• Title: Model-based Subsampling for Knowledge Graph Completion
• Title（参考訳）: 知識グラフ補完のためのモデルベースサブサンプリング
• Authors: Xincan Feng, Hidetaka Kamigaito, Katsuhiko Hayashi, Taro Watanabe
• Abstract要約: サブサンプリングは、知識グラフデータセットのスパーシリティに起因する過度な適合を低減するために、知識グラフ埋め込み(KGE)に有効である。 モデルベースサブサンプリング(MBS)とMIX(Mixed Subsampling)を提案し,その出現確率をKGEモデルの予測により推定する。
• 参考スコア（独自算出の注目度）: 34.15053303169282
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Subsampling is effective in Knowledge Graph Embedding (KGE) for reducing overfitting caused by the sparsity in Knowledge Graph (KG) datasets. However, current subsampling approaches consider only frequencies of queries that consist of entities and their relations. Thus, the existing subsampling potentially underestimates the appearance probabilities of infrequent queries even if the frequencies of their entities or relations are high. To address this problem, we propose Model-based Subsampling (MBS) and Mixed Subsampling (MIX) to estimate their appearance probabilities through predictions of KGE models. Evaluation results on datasets FB15k-237, WN18RR, and YAGO3-10 showed that our proposed subsampling methods actually improved the KG completion performances for popular KGE models, RotatE, TransE, HAKE, ComplEx, and DistMult.
• Abstract（参考訳）: サブサンプリングはKGE(Knowledge Graph Embedding)において、KG(Knowledge Graph)データセットのスパーシリティに起因するオーバーフィッティングを低減するために有効である。 しかし、現在のサブサンプリングアプローチでは、エンティティとその関係からなるクエリの頻度のみを考慮する。 このように、既存のサブサンプリングは、エンティティや関係の頻度が高い場合でも、頻繁なクエリの出現確率を過小評価する可能性がある。 そこで本研究では,モデルベースサブサンプリング (MBS) と混合サブサンプリング (MIX) を提案し,その出現確率をKGEモデルの予測により推定する。 FB15k-237, WN18RR, YAGO3-10のデータセットによる評価結果から, 提案手法により, 一般的なKGEモデル, RotatE, TransE, HAKE, ComplEx, DistMultのKG完了性能が向上した。

関連論文リスト

• Stochastic Sampling for Contrastive Views and Hard Negative Samples in Graph-based Collaborative Filtering [28.886714896469737]
  グラフベースの協調フィルタリング(CF)はレコメンデーションシステムにおいて有望なアプローチである。 その成果にもかかわらず、グラフベースのCFモデルは、データの分散性と負のサンプリングによる課題に直面している。 我々は,これらの課題を克服するために,一,二,三,三,三,三,三,三,三,三,三,三,三,三,三,三,三,三,三,三,三,三,三,三,三,三,三の難易度を抽出した新しいサンプリング法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T02:27:59Z)
• 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)
• How to Turn Your Knowledge Graph Embeddings into Generative Models [10.466244652188777]
  リンク予測のための最も成功した知識グラフ埋め込み(KGE)モデルは、エネルギーベースモデルとして解釈できる。 この研究は、これらのKGEのスコア関数を回路として再解釈する。 我々の解釈では、リンク予測のパフォーマンスがほとんど、あるいは全く失われていない。
  論文  参考訳（メタデータ） (2023-05-25T11:30:27Z)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Sequence-to-Sequence Knowledge Graph Completion and Question Answering [8.207403859762044]
  既製のエンコーダ・デコーダ変換器モデルは,スケーラブルで汎用的なKGEモデルとして機能することを示す。 我々は,KGリンク予測をシーケンス・ツー・シーケンス・タスクとして用い,従来のKGE手法による3つのスコアリングアプローチを自己回帰復号化と交換することで,これを実現する。
  論文  参考訳（メタデータ） (2022-03-19T13:01:49Z)
• Efficient Non-Sampling Knowledge Graph Embedding [21.074002550338296]
  効率的な非サンプリング型知識グラフ埋め込み (NS-KGE) のための新しいフレームワークを提案する。 基本的な考え方は、モデル学習のためのkgの負のインスタンスをすべて考慮し、負のサンプリングを避けることである。 ベンチマークデータセットの実験により、NS-KGEフレームワークは従来の負サンプリングベースモデルよりも効率と正確性を向上できることが示された。
  論文  参考訳（メタデータ） (2021-04-21T23:36:39Z)
• RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
  本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。 二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。 理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
  論文  参考訳（メタデータ） (2021-01-25T13:31:29Z)
• Learning Affinity-Aware Upsampling for Deep Image Matting [83.02806488958399]
  アップサンプリングにおける学習親和性は、ディープ・ネットワークにおけるペアワイズ・インタラクションを効果的かつ効率的に利用するためのアプローチであることを示す。 特に、コンポジション1kマッチングデータセットの結果は、A2Uが強いベースラインに対してSAD測定値の14%の相対的な改善を達成していることを示している。 最先端のマッティングネットワークと比較すると、モデル複雑度は40%に過ぎず、8%高いパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-11-29T05:09:43Z)
• Semi-supervised Learning Meets Factorization: Learning to Recommend with Chain Graph Model [16.007141894770054]
  潜在因子モデル(LFM)は、優れたパフォーマンスとスケーラビリティのために、レコメンデーションシステムにおいて多くの注目を集めています。 半教師付き学習(SSL)は、ラベル(評価)の空間性の問題を軽減する効果的な方法を提供する。 SSL と LFM を結合する新しい確率的連鎖グラフモデル (CGM) を提案する。
  論文  参考訳（メタデータ） (2020-03-05T06:34:53Z)

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。