論文の概要: Distance-Based Propagation for Efficient Knowledge Graph Reasoning

• arxiv url: http://arxiv.org/abs/2311.01024v1
• Date: Thu, 2 Nov 2023 06:37:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-03 14:25:51.886732
• Title: Distance-Based Propagation for Efficient Knowledge Graph Reasoning
• Title（参考訳）: 効率的な知識グラフ推論のための距離ベースプロパゲーション
• Authors: Harry Shomer, Yao Ma, Juanhui Li, Bo Wu, Charu C. Aggarwal, Jiliang Tang
• Abstract要約: 知識グラフ補完(KGC)は、知識グラフ(KG)の未確認エッジを予測することを目的とする。 経路情報を集約することでこの問題に対処する新しい手法が提案されている。 新たな手法であるTAGNetは、効率的に情報を伝達することができる。
• 参考スコア（独自算出の注目度）: 43.138409280069204
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph completion (KGC) aims to predict unseen edges in knowledge graphs (KGs), resulting in the discovery of new facts. A new class of methods have been proposed to tackle this problem by aggregating path information. These methods have shown tremendous ability in the task of KGC. However they are plagued by efficiency issues. Though there are a few recent attempts to address this through learnable path pruning, they often sacrifice the performance to gain efficiency. In this work, we identify two intrinsic limitations of these methods that affect the efficiency and representation quality. To address the limitations, we introduce a new method, TAGNet, which is able to efficiently propagate information. This is achieved by only aggregating paths in a fixed window for each source-target pair. We demonstrate that the complexity of TAGNet is independent of the number of layers. Extensive experiments demonstrate that TAGNet can cut down on the number of propagated messages by as much as 90% while achieving competitive performance on multiple KG datasets. The code is available at https://github.com/HarryShomer/TAGNet.
• Abstract（参考訳）: 知識グラフ補完(kgc)は知識グラフ(kgs)の見当たらないエッジを予測することを目的としており、新たな事実の発見に繋がる。 経路情報を集約することでこの問題に対処する新しい手法が提案されている。 これらの手法はKGCの課題において極めて有能である。 しかし、効率の問題に悩まされている。 学習可能なパスプルーニングを通じてこの問題に対処しようとする最近の試みはいくつかあるが、効率を上げるためにパフォーマンスを犠牲にすることが多い。 本研究では, 効率と表現品質に影響を及ぼす2つの本質的限界を明らかにする。 この制限に対処するために,情報伝達を効率的に行う新しい手法であるTAGNetを導入する。 これは、ソースとターゲットのペアごとに固定されたウィンドウ内のパスのみを集約することで実現される。 我々は,TAGNetの複雑さが層数に依存しないことを実証した。 大規模な実験により、TAGNetは複数のKGデータセット上での競合性能を達成しながら、伝播メッセージの数を最大90%削減できることが示された。 コードはhttps://github.com/HarryShomer/TAGNetで入手できる。

関連論文リスト

• Adaptive Anchor Label Propagation for Transductive Few-Shot Learning [18.29463308334406]
  ラベル付きデータによる画像の分類の問題に対処する例は少ない。 識別可能な損失関数を最小化することによりラベル付きデータの特徴埋め込みを適応する新しいアルゴリズムを提案する。 提案アルゴリズムは,1ショット設定と5ショット設定において,標準ラベル伝搬アルゴリズムを最大7%,2%向上させる。
  論文  参考訳（メタデータ） (2023-10-30T20:29:31Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Unsupervised Multiplex Graph Learning with Complementary and Consistent Information [20.340977728674698]
  非教師付き多重グラフ学習(UMGL)は、下流の異なるタスクに対して大きな効果を発揮することが示されている。 従来の手法は通常、実用上の問題、すなわちサンプル外問題やノイズ問題を見落としている。 本稿では,相補的情報と一貫した情報の両方を効果的かつ効率的に探索する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-03T08:24:08Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• A*Net: A Scalable Path-based Reasoning Approach for Knowledge Graphs [19.873384058276713]
  A*Netは知識グラフ推論のためのスケーラブルなパスベースの手法である。 最短繰り返しパス問題に対するA*アルゴリズムにインスパイアされた我々のA*Netは、それぞれに重要なノードとエッジを選択する優先度関数を学習する。
  論文  参考訳（メタデータ） (2022-06-07T01:01:36Z)
• DOTIN: Dropping Task-Irrelevant Nodes for GNNs [119.17997089267124]
  最近のグラフ学習アプローチでは、学習のためのグラフのサイズを減らすためのプール戦略が導入されている。 我々はDOTIN(underlineDrunderlineopping underlineTask-underlineIrrelevant underlineNodes)と呼ばれる新しいアプローチを設計し、グラフのサイズを減らす。 本手法は,グラフ分類やグラフ編集距離を含むグラフレベルのタスクにおいて,GATを約50%高速化する。
  論文  参考訳（メタデータ） (2022-04-28T12:00:39Z)
• 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)
• Boosting the Speed of Entity Alignment 10*: Dual Attention Matching Network with Normalized Hard Sample Mining [26.04006507181558]
  我々は新しいKGエンコーダ-デュアルアテンションマッチングネットワーク(Dual-AMN)を提案する。 広く利用されている公開データセットの実験結果から,本手法は高精度かつ高効率であることがわかった。
  論文  参考訳（メタデータ） (2021-03-29T09:35:07Z)
• Knowledge Graph Embedding with Atrous Convolution and Residual Learning [4.582412257655891]
  本稿では, 単純だが効果的な畳み込みに基づく知識グラフ埋め込み法を提案する。 アトラスな畳み込みを用いることで、機能相互作用を効果的に増加させる。 元の情報が忘れられた問題と、勾配の問題が消え/露呈する問題に対処する。
  論文  参考訳（メタデータ） (2020-10-23T00:57:23Z)

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。