論文の概要: Towards a Gateway for Knowledge Graph Schemas Collection, Analysis, and Embedding

• arxiv url: http://arxiv.org/abs/2311.12465v1
• Date: Tue, 21 Nov 2023 09:22:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 01:17:06.983932
• Title: Towards a Gateway for Knowledge Graph Schemas Collection, Analysis, and Embedding
• Title（参考訳）: 知識グラフスキーマの収集,解析,埋め込みのためのゲートウェイを目指して
• Authors: Mattia Fumagalli, Marco Boffo, Daqian Shi, Mayukh Bagchi and Fausto Giunchiglia
• Abstract要約: 本稿は、Live Semantic Webイニシアチブ、すなわち、多くの既存の知識グラフによって収集された関係データの金鉱の活用を主目的とするゲートウェイの最初のバージョンについて述べる。
• 参考スコア（独自算出の注目度）: 10.19939896927137
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: One of the significant barriers to the training of statistical models on knowledge graphs is the difficulty that scientists have in finding the best input data to address their prediction goal. In addition to this, a key challenge is to determine how to manipulate these relational data, which are often in the form of particular triples (i.e., subject, predicate, object), to enable the learning process. Currently, many high-quality catalogs of knowledge graphs, are available. However, their primary goal is the re-usability of these resources, and their interconnection, in the context of the Semantic Web. This paper describes the LiveSchema initiative, namely, a first version of a gateway that has the main scope of leveraging the gold mine of data collected by many existing catalogs collecting relational data like ontologies and knowledge graphs. At the current state, LiveSchema contains - 1000 datasets from 4 main sources and offers some key facilities, which allow to: i) evolving LiveSchema, by aggregating other source catalogs and repositories as input sources; ii) querying all the collected resources; iii) transforming each given dataset into formal concept analysis matrices that enable analysis and visualization services; iv) generating models and tensors from each given dataset.
• Abstract（参考訳）: 知識グラフ上の統計モデルのトレーニングにおいて重要な障壁の1つは、科学者が予測目標を達成するのに最適な入力データを見つけるのが困難であることである。 これに加えて、重要な課題は、学習プロセスを可能にするために、特定の三重項(主題、述語、オブジェクト)の形にあるこれらの関係データをどのように操作するかを決定することである。 現在、多くの知識グラフの高品質カタログが利用可能である。 しかし、彼らの主な目標は、セマンティックウェブの文脈において、これらのリソースの再使用可能性とそれらの相互接続である。 本稿では,liveschemaイニシアチブ,すなわち,オントロジーやナレッジグラフなどのリレーショナルデータを収集する既存のカタログで収集されたデータの金鉱山を活用するための主要なスコープを持つゲートウェイの最初のバージョンについて述べる。 現在、LiveSchemaには4つの主要なソースから1000のデータセットが含まれており、いくつかの重要な機能を提供している。 i) 他のソースカタログ及びリポジトリを入力ソースとして集約することにより、LiveSchemaを進化させる。 二 収集したすべての資源を照会すること。 三 各データセットを解析及び可視化サービスを可能にする形式的概念分析行列に変換すること。 四 各データセットからモデル及びテンソルを生成すること。

関連論文リスト

• Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
  大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。 この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
  論文  参考訳（メタデータ） (2024-08-26T06:36:42Z)
• Towards Data-centric Graph Machine Learning: Review and Outlook [120.64417630324378]
  データ中心グラフ機械学習(DC-GML)という,グラフデータライフサイクルのすべての段階を包含する体系的なフレームワークを導入する。 各段階の完全な分類法が示され、3つの重要なグラフ中心の質問に答える。 我々は、DC-GMLドメインの将来展望を指摘し、その進歩と応用をナビゲートするための洞察を提供する。
  論文  参考訳（メタデータ） (2023-09-20T00:40:13Z)
• Learning Representations without Compositional Assumptions [79.12273403390311]
  本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。 また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
  論文  参考訳（メタデータ） (2023-05-31T10:36:10Z)
• Learning To Rank Resources with GNN [7.337247167823921]
  本稿では,資源クエリと資源リソースの関係をモデル化可能なグラフニューラルネットワーク(GNN)に基づく学習からランクへのアプローチを提案する。 提案手法は,様々なパフォーマンス指標において,最先端の6.4%から42%を上回っている。
  論文  参考訳（メタデータ） (2023-04-17T02:01:45Z)
• SMiLE: Schema-augmented Multi-level Contrastive Learning for Knowledge Graph Link Prediction [28.87290783250351]
  リンク予測は、知識グラフにおけるエンティティ間の欠落したリンクを推測するタスクである。 本稿では,知識グラフリンク予測を行うための新しいマルチレベルコントラスト学習フレームワーク(SMiLE)を提案する。
  論文  参考訳（メタデータ） (2022-10-10T17:40:19Z)
• LiveSchema: A Gateway Towards Learning on Knowledge Graph Schemas [3.612919865966423]
  知識グラフの語彙にアクセスし、分析し、活用するためのサービスのファミリーを提供するLiveイニシアチブについて説明する。 このイニシアチブの初期の実装として、800以上のリソースに依存したオンラインカタログを、最初のサンプルサービスのセットで進めています。
  論文  参考訳（メタデータ） (2022-07-13T10:38:49Z)
• Deep Transfer Learning for Multi-source Entity Linkage via Domain Adaptation [63.24594955429465]
  マルチソースエンティティリンクは、データのクリーニングやユーザ縫合といった、高インパクトなアプリケーションにおいて重要である。 AdaMELは、多ソースエンティティリンクを実行するための一般的なハイレベルな知識を学ぶディープトランスファー学習フレームワークである。 本フレームワークは,教師付き学習に基づく平均的手法よりも8.21%向上した最先端の学習結果を実現する。
  論文  参考訳（メタデータ） (2021-10-27T15:20:41Z)
• Mapping Patterns for Virtual Knowledge Graphs [71.61234136161742]
  仮想知識グラフ(VKG)は、レガシーデータソースの統合とアクセスのための最も有望なパラダイムの1つである。 データ管理、データ分析、概念モデリングにおいて研究された、確立された方法論とパターンに基づいて構築する。 検討されたVKGシナリオに基づいて,私たちのカタログを検証し,そのパターンの大部分をカバーすることを示す。
  論文  参考訳（メタデータ） (2020-12-03T13:54:52Z)
• ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
  実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。 我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。 本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
  論文  参考訳（メタデータ） (2020-04-30T14:16:19Z)
• Knowledge as Priors: Cross-Modal Knowledge Generalization for Datasets without Superior Knowledge [55.32035138692167]
  クロスモーダルな知識蒸留は、優れたモーダルで訓練されたモデルから弱いモーダルで訓練された別のモデルに知識を移すことを扱う。 本研究では,教師が利用できないターゲットデータセットにおいて,生徒を訓練するための新しいスキームを提案する。
  論文  参考訳（メタデータ） (2020-04-01T00:28:15Z)

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。