論文の概要: Knowledge Graph Reasoning Based on Attention GCN

• arxiv url: http://arxiv.org/abs/2312.10049v4
• Date: Fri, 21 Mar 2025 03:35:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:52:26.835540
• Title: Knowledge Graph Reasoning Based on Attention GCN
• Title（参考訳）: 注意GCNに基づく知識グラフ推論
• Authors: Meera Gupta, Ravi Khanna, Divya Choudhary, Nandini Rao,
• Abstract要約: 本稿では,GCN(Graph Convolution Neural Network)と注意機構を組み合わせた知識グラフ推論手法を提案する。 このアプローチでは、アテンションメカニズムを使用してエンティティとその隣接ノードの関係を調べ、各エンティティの詳細な特徴ベクトルの開発を支援する。 本研究は,検索エンジン,質問応答システム,レコメンデーションシステム,データ統合タスクなど,さまざまなアプリケーションに対して重要な方法論的サポートを提供する。
• 参考スコア（独自算出の注目度）: 0.8388591755871736
• License:
• Abstract: We propose a novel technique to enhance Knowledge Graph Reasoning by combining Graph Convolution Neural Network (GCN) with the Attention Mechanism. This approach utilizes the Attention Mechanism to examine the relationships between entities and their neighboring nodes, which helps to develop detailed feature vectors for each entity. The GCN uses shared parameters to effectively represent the characteristics of adjacent entities. We first learn the similarity of entities for node representation learning. By integrating the attributes of the entities and their interactions, this method generates extensive implicit feature vectors for each entity, improving performance in tasks including entity classification and link prediction, outperforming traditional neural network models. To conclude, this work provides crucial methodological support for a range of applications, such as search engines, question-answering systems, recommendation systems, and data integration tasks.
• Abstract（参考訳）: 本稿では,GCN(Graph Convolution Neural Network)と注意機構を組み合わせた知識グラフ推論手法を提案する。 このアプローチでは、アテンションメカニズムを使用してエンティティとその隣接ノードの関係を調べ、各エンティティの詳細な特徴ベクトルの開発を支援する。 GCNは、隣接するエンティティの特性を効果的に表現するために共有パラメータを使用する。 まず,ノード表現学習におけるエンティティの類似性を学習する。 エンティティの属性とそれらの相互作用を統合することにより、各エンティティに対する広範囲な暗黙的特徴ベクトルを生成し、エンティティ分類やリンク予測を含むタスクのパフォーマンスを改善し、従来のニューラルネットワークモデルより優れた性能を発揮する。 結論として,本研究は,検索エンジン,質問応答システム,レコメンデーションシステム,データ統合タスクなど,幅広いアプリケーションに対して重要な方法論的支援を提供する。

関連論文リスト

• Graph Contrastive Learning for Connectome Classification [7.444875183336163]
  グラフ信号処理は、脳の機能と構造の間の相互作用を明らかにする重要なツールである。 我々の研究は、教師付きコントラスト学習手法を探求することによって、この方向へのさらなる一歩を表している。 ヒューマン・コネクトーム・プロジェクト(Human Connectome Project)データを用いた性別分類タスクにおいて,最先端のパフォーマンスを実現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-07T17:30:47Z)
• 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)
• Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
  分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。 特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。 グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
  論文  参考訳（メタデータ） (2023-05-22T13:48:30Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• A Node-collaboration-informed Graph Convolutional Network for Precise Representation to Undirected Weighted Graphs [10.867583522217473]
  グラフ畳み込みネットワーク(GCN)は、重み付きグラフ(UWG)に表現学習を行うために広く採用されている。 本研究は, ノード間の協調を, 対称潜在因子分析モデルを用いてモデル化し, ノード協調モジュールとしてGCNの協調損失を補うことを提案する。 このアイデアに基づいて、ノード協調インフォームドグラフ畳み込みネットワーク(NGCN)が3倍のアイデアで提案されている。
  論文  参考訳（メタデータ） (2022-11-30T02:20:19Z)
• Graph Ordering Attention Networks [22.468776559433614]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに関わる多くの問題でうまく使われている。 近隣ノード間のインタラクションをキャプチャする新しいGNNコンポーネントであるグラフ順序付け注意層(GOAT)を導入する。 GOATレイヤは、複雑な情報をキャプチャするグラフメトリクスのモデリングにおけるパフォーマンスの向上を示す。
  論文  参考訳（メタデータ） (2022-04-11T18:13:19Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• GAIN: Graph Attention & Interaction Network for Inductive Semi-Supervised Learning over Large-scale Graphs [18.23435958000212]
  グラフニューラルネットワーク(GNN)は、推薦、ノード分類、リンク予測など、さまざまな機械学習タスクにおいて最先端のパフォーマンスを実現している。 既存のGNNモデルの多くは、隣接するノード情報を集約するために単一のタイプのアグリゲータを利用している。 本稿では,グラフ上の帰納学習のための新しいグラフニューラルネットワークアーキテクチャであるグラフ注意と相互作用ネットワーク(GAIN)を提案する。
  論文  参考訳（メタデータ） (2020-11-03T00:20:24Z)
• Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature Interactions [153.6357310444093]
  Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。 我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。 我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
  論文  参考訳（メタデータ） (2020-03-05T13:05:27Z)
• 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。