論文の概要: Relation-aware Ensemble Learning for Knowledge Graph Embedding

• arxiv url: http://arxiv.org/abs/2310.08917v1
• Date: Fri, 13 Oct 2023 07:40:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-16 13:51:11.337035
• Title: Relation-aware Ensemble Learning for Knowledge Graph Embedding
• Title（参考訳）: 知識グラフ埋め込みのための関係認識アンサンブル学習
• Authors: Ling Yue, Yongqi Zhang, Quanming Yao, Yong Li, Xian Wu, Ziheng Zhang, Zhenxi Lin, Yefeng Zheng
• Abstract要約: 我々は,既存の手法を関係性に配慮した方法で活用し,アンサンブルを学習することを提案する。 関係認識アンサンブルを用いてこれらのセマンティクスを探索すると、一般的なアンサンブル法よりもはるかに大きな検索空間が得られる。 本稿では,リレーショナルなアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。
• 参考スコア（独自算出の注目度）: 68.94900786314666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph (KG) embedding is a fundamental task in natural language processing, and various methods have been proposed to explore semantic patterns in distinctive ways. In this paper, we propose to learn an ensemble by leveraging existing methods in a relation-aware manner. However, exploring these semantics using relation-aware ensemble leads to a much larger search space than general ensemble methods. To address this issue, we propose a divide-search-combine algorithm RelEns-DSC that searches the relation-wise ensemble weights independently. This algorithm has the same computation cost as general ensemble methods but with much better performance. Experimental results on benchmark datasets demonstrate the effectiveness of the proposed method in efficiently searching relation-aware ensemble weights and achieving state-of-the-art embedding performance. The code is public at https://github.com/LARS-research/RelEns.
• Abstract（参考訳）: 知識グラフ(KG)埋め込みは自然言語処理の基本的な課題であり、様々な方法で意味パターンを探索する手法が提案されている。 本稿では,既存の手法を関係認識方式で活用してアンサンブルを学習することを提案する。 しかし、関係認識アンサンブルを用いたこれらの意味論の探索は、一般的なアンサンブル法よりもはるかに大きな探索空間をもたらす。 この問題に対処するために,関係的なアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。 このアルゴリズムは一般的なアンサンブル法と同じ計算コストを持つが、性能は優れている。 実験結果から,提案手法の有効性を検証し,関係認識アンサンブル重みを効率的に探索し,最先端の埋め込み性能を実現する。 コードはhttps://github.com/LARS-research/RelEns.comで公開されている。

関連論文リスト

• Retrieval with Learned Similarities [2.729516456192901]
  最先端の検索アルゴリズムは、学習された類似点に移行した。 そこで本研究では,Mixture-of-Logits (MoL) を実証的に実現し,多様な検索シナリオにおいて優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-07-22T08:19:34Z)
• Evaluating Ensemble Methods for News Recommender Systems [50.90330146667386]
  本稿では,Microsoft News データセット (MIND) において,様々な最先端アルゴリズムを組み合わさって優れた結果を得るために,アンサンブル手法をどのように利用できるかを示す。 その結果,NRSアルゴリズムの組み合わせは,基礎学習者が十分に多様であることから,個々のアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-06-23T13:40:50Z)
• A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
  サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。 我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-17T04:41:07Z)
• Forest Mixing: investigating the impact of multiple search trees and a shared refinements pool on ontology learning [1.3597551064547502]
  DL-Learnerツールに含まれるCELOE(Expression Learning for Ontology Engineering)アルゴリズムを拡張した。 目的は,多様なスタートクラスを育成し,大規模検索空間におけるクラス表現の発見プロセスの合理化である。
  論文  参考訳（メタデータ） (2023-09-29T14:02:34Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)
• A Framework and Benchmarking Study for Counterfactual Generating Methods on Tabular Data [0.0]
  カウンターファクトな説明は、機械学習の予測を説明する効果的な方法と見なされる。 このような説明を導き出そうとするアルゴリズムは、すでに数十ある。 ベンチマーク研究とフレームワークは、実践者がどのテクニックとビルディングブロックが最も適しているかを決定するのに役立ちます。
  論文  参考訳（メタデータ） (2021-07-09T21:06:03Z)
• Integrating Semantics and Neighborhood Information with Graph-Driven Generative Models for Document Retrieval [51.823187647843945]
  本稿では,周辺情報をグラフ誘導ガウス分布でエンコードし,その2種類の情報をグラフ駆動生成モデルと統合することを提案する。 この近似の下では、トレーニング対象がシングルトンまたはペアワイズ文書のみを含む用語に分解可能であることを証明し、モデルが非関連文書と同じくらい効率的にトレーニングできることを示す。
  論文  参考訳（メタデータ） (2021-05-27T11:29:03Z)
• Efficient Relation-aware Scoring Function Search for Knowledge Graph Embedding [37.24099392064309]
  タスク対応スコアリング関数を設計するための知識グラフにAutoML技術が導入されている。 しかし、検索されたスコアリング関数の有効性は、まだ所望ほど良くありません。 本稿では,スーパーネットとして空間を符号化し,スーパーネットをワンショットで探索する効率的な代替最小化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-22T06:05:13Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)
• A Comparative Analysis of the Ensemble Methods for Drug Design [0.0]
  エンサンブルベースの機械学習アプローチは、限界を克服し、信頼できる予測を生成するために使用されます。 本稿では、57のアルゴリズムを開発し、4つの異なるデータセットを比較した。 提案した個々のモデルは統合されたモデルとして印象的な結果を示さなかったが、組み合わせると最も重要な予測器とみなされた。
  論文  参考訳（メタデータ） (2020-12-11T05:27:20Z)

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。