論文の概要: A Study on Knowledge Graph Embeddings and Graph Neural Networks for Web Of Things

• arxiv url: http://arxiv.org/abs/2310.14866v1
• Date: Mon, 23 Oct 2023 12:36:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 20:18:15.647962
• Title: A Study on Knowledge Graph Embeddings and Graph Neural Networks for Web Of Things
• Title（参考訳）: webのための知識グラフ埋め込みとグラフニューラルネットワークに関する研究
• Authors: Rohith Teja Mittakola, Thomas Hassan
• Abstract要約: 将来的には、Web Of Things(WoT)の領域における知識グラフは、物理世界のデジタル表現を提供することである。 本稿では,グラフエンティティの数値表現を学習するために,最先端知識グラフ埋め込み(KGE)法について検討する。 また、KGEとともにグラフニューラルネットワーク(GNN)を調査し、同じ下流タスクでの性能を比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph data structures are widely used to store relational information between several entities. With data being generated worldwide on a large scale, we see a significant growth in the generation of knowledge graphs. Thing in the future is Orange's take on a knowledge graph in the domain of the Web Of Things (WoT), where the main objective of the platform is to provide a digital representation of the physical world and enable cross-domain applications to be built upon this massive and highly connected graph of things. In this context, as the knowledge graph grows in size, it is prone to have noisy and messy data. In this paper, we explore state-of-the-art knowledge graph embedding (KGE) methods to learn numerical representations of the graph entities and, subsequently, explore downstream tasks like link prediction, node classification, and triple classification. We also investigate Graph neural networks (GNN) alongside KGEs and compare their performance on the same downstream tasks. Our evaluation highlights the encouraging performance of both KGE and GNN-based methods on node classification, and the superiority of GNN approaches in the link prediction task. Overall, we show that state-of-the-art approaches are relevant in a WoT context, and this preliminary work provides insights to implement and evaluate them in this context.
• Abstract（参考訳）: グラフデータ構造は、複数のエンティティ間の関係情報を格納するために広く使われている。 データを世界中で大規模に生成することで、知識グラフの生成が大幅に増加します。 将来的には、web of things(wot)の領域において、orange氏がナレッジグラフ(ナレッジグラフ)を採用することで、プラットフォームの主な目的は、物理的な世界のデジタル表現を提供し、この巨大で高度に接続されたモノのグラフ上にクロスドメインアプリケーションを構築することにある。 この文脈では、知識グラフのサイズが大きくなるにつれて、ノイズの多い乱雑なデータを持つ傾向にある。 本稿では,グラフエンティティの数値表現を学習するための最先端知識グラフ埋め込み(KGE)手法について検討し,その後,リンク予測やノード分類,トリプル分類といった下流タスクについて検討する。 また、KGEとともにグラフニューラルネットワーク(GNN)を調査し、同じ下流タスクでの性能を比較する。 本評価では,ノード分類におけるKGE法とGNN法の両方の性能向上と,リンク予測タスクにおけるGNN手法の優位性を強調した。 全体としては、最先端のアプローチがwotコンテキストに関係していることを示し、この予備的な作業は、このコンテキストでそれらを実装および評価するための洞察を提供する。

関連論文リスト

• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Knowledge Enhanced Graph Neural Networks for Graph Completion [0.0]
  Knowledge Enhanced Graph Neural Networks (KeGNN)は、グラフ補完のためのニューラルシンボリックなフレームワークである。 KeGNNは、知識強化レイヤを積み重ねた基盤としてグラフニューラルネットワークで構成されている。 我々はKeGNNを、最先端のグラフニューラルネットワーク、グラフ畳み込みネットワーク、グラフ注意ネットワークの2つと組み合わせてインスタンス化する。
  論文  参考訳（メタデータ） (2023-03-27T07:53:43Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Graph-level Neural Networks: Current Progress and Future Directions [61.08696673768116]
  グラフレベルのニューラルネットワーク(GLNN、ディープラーニングベースのグラフレベルの学習法)は、高次元データのモデリングにおいて優れているため、魅力的である。 本稿では,深層ニューラルネットワーク,グラフニューラルネットワーク,グラフプール上でのGLNNを網羅する系統分類法を提案する。
  論文  参考訳（メタデータ） (2022-05-31T06:16:55Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• Learning Graph Representations [0.0]
  グラフニューラルネットワーク(GNN)は、大きな動的グラフデータセットに対する洞察を得るための効率的な方法である。 本稿では,グラフ畳み込みニューラルネットワークのオートエンコーダとソーシャル・テンポラル・グラフ・ニューラルネットワークについて論じる。
  論文  参考訳（メタデータ） (2021-02-03T12:07:55Z)
• Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
  グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。 CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。 提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
  論文  参考訳（メタデータ） (2020-10-25T22:39:31Z)
• Representation Learning of Graphs Using Graph Convolutional Multilayer Networks Based on Motifs [17.823543937167848]
  mGCMNはノードの特徴情報とグラフの高階局所構造を利用する新しいフレームワークである。 グラフニューラルネットワークの学習効率を大幅に改善し、新たな学習モードの確立を促進する。
  論文  参考訳（メタデータ） (2020-07-31T04:18:20Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。