論文の概要: HyCubE: Efficient Knowledge Hypergraph 3D Circular Convolutional
Embedding
- arxiv url: http://arxiv.org/abs/2402.08961v1
- Date: Wed, 14 Feb 2024 06:05:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-15 16:44:23.681976
- Title: HyCubE: Efficient Knowledge Hypergraph 3D Circular Convolutional
Embedding
- Title(参考訳): HyCubE: 効率的な知識ハイパーグラフ3D循環型畳み込み
- Authors: Zhao Li, Xin Wang, Jianxin Li, Wenbin Guo, Jun Zhao
- Abstract要約: 本稿では,新しい3次元円形畳み込み埋め込みモデルHyCubEを提案する。
HyCubEは最先端のベースラインを一貫して上回ります。
HyCubEは平均7.55倍スピードアップし、メモリ使用量を平均77.02%削減している。
- 参考スコア(独自算出の注目度): 23.044450931042206
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing knowledge hypergraph embedding methods mainly focused on improving
model performance, but their model structures are becoming more complex and
redundant. Furthermore, due to the inherent complex semantic knowledge, the
computation of knowledge hypergraph embedding models is often very expensive,
leading to low efficiency. In this paper, we propose a feature interaction and
extraction-enhanced 3D circular convolutional embedding model, HyCubE, which
designs a novel 3D circular convolutional neural network and introduces the
alternate mask stack strategy to achieve efficient n-ary knowledge hypergraph
embedding. By adaptively adjusting the 3D circular convolution kernel size and
uniformly embedding the entity position information, HyCubE improves the model
performance with fewer parameters and reaches a better trade-off between model
performance and efficiency. In addition, we use 1-N multilinear scoring based
on the entity mask mechanism to further accelerate the model training
efficiency. Finally, extensive experimental results on all datasets demonstrate
that HyCubE consistently outperforms state-of-the-art baselines, with an
average improvement of 4.08%-10.77% and a maximum improvement of 21.16% across
all metrics. Commendably, HyCubE speeds up by an average of 7.55x and reduces
memory usage by an average of 77.02% compared to the latest state-of-the-art
baselines.
- Abstract(参考訳): 既存の知識ハイパーグラフ埋め込み手法は、主にモデルパフォーマンスの改善に焦点を当てているが、モデル構造はより複雑で冗長になっている。
さらに、本質的に複雑な意味知識のため、知識ハイパーグラフ埋め込みモデルの計算は、しばしば非常に高価であり、効率が低下する。
本稿では,新しい3次元円形畳み込みニューラルネットワークを設計し,効率的なn-ary知識ハイパーグラフ埋め込みを実現するためにマスクスタック戦略を導入する,特徴相互作用と抽出強化3次元円形畳み込み埋め込みモデルHyCubEを提案する。
3次元円形畳み込みカーネルサイズを適応的に調整し、エンティティ位置情報を均一に埋め込み、より少ないパラメータでモデル性能を改善し、モデル性能と効率のトレードオフを改善する。
さらに,エンティティマスク機構に基づく1-nマルチリニアスコアを用いて,モデルのトレーニング効率をさらに向上させる。
最後に、すべてのデータセットに対する広範な実験結果から、HyCubEは最先端のベースラインを一貫して上回り、平均改善は4.08%-10.77%、最大改善は全指標で21.16%となっている。
HyCubEは平均7.55倍スピードアップし、最新の最先端ベースラインと比較して平均77.02%メモリ使用量を削減している。
関連論文リスト
- Point Transformer V3: Simpler, Faster, Stronger [88.80496333515325]
本稿では,ポイントクラウド処理における精度と効率のトレードオフを克服することに焦点を当てる。
本稿では,特定のメカニズムの精度よりもシンプルさと効率を優先するポイントトランスフォーマーV3(PTv3)を提案する。
PTv3は、屋内と屋外の両方のシナリオにまたがる20以上の下流タスクで最先端の結果を得る。
論文 参考訳(メタデータ) (2023-12-15T18:59:59Z) - E2ENet: Dynamic Sparse Feature Fusion for Accurate and Efficient 3D
Medical Image Segmentation [36.367368163120794]
E2ENet(Efficient to Efficient Network)と呼ばれる3次元医用画像分割モデルを提案する。
パラメトリックと計算効率の2つの設計が組み込まれている。
さまざまなリソース制約に対して、正確性と効率性のトレードオフを一貫して達成します。
論文 参考訳(メタデータ) (2023-12-07T22:13:37Z) - Efficient Heterogeneous Graph Learning via Random Projection [65.65132884606072]
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) - Conformal Predictions Enhanced Expert-guided Meshing with Graph Neural
Networks [8.736819316856748]
本稿では,GNN(Graph Neural Networks)とエキスパートガイダンスを用いて,航空機モデルのためのCFDメッシュの自動生成を行う機械学習方式を提案する。
曲面分類のための2つの最先端モデルであるPointNet++とPointMLPより優れた3次元分割アルゴリズムを提案する。
また,3次元メッシュ分割モデルからCAD表面への射影予測を共形予測法を用いて提案する手法を提案する。
論文 参考訳(メタデータ) (2023-08-14T14:39:13Z) - Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。
本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
論文 参考訳(メタデータ) (2021-08-16T04:20:09Z) - Constructing Stronger and Faster Baselines for Skeleton-based Action
Recognition [19.905455701387194]
骨格に基づく行動認識のための効率的なグラフ畳み込みネットワーク(GCN)のベースラインを提案する。
NTU RGB+D 60 と 120 の2つの大規模データセットでは、提案されたEfficientGCN-B4 ベースラインは、他の State-Of-The-Art (SOTA) メソッドよりも優れている。
論文 参考訳(メタデータ) (2021-06-29T07:09:11Z) - Effective Model Sparsification by Scheduled Grow-and-Prune Methods [73.03533268740605]
本稿では,高密度モデルの事前学習を伴わない新規なGrow-and-prune(GaP)手法を提案する。
実験により、そのようなモデルは様々なタスクにおいて80%の間隔で高度に最適化された高密度モデルの品質に適合または打ち勝つことができることが示された。
論文 参考訳(メタデータ) (2021-06-18T01:03:13Z) - Inception Convolution with Efficient Dilation Search [121.41030859447487]
拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。
そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。
本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
論文 参考訳(メタデータ) (2020-12-25T14:58:35Z) - EDNet: Efficient Disparity Estimation with Cost Volume Combination and
Attention-based Spatial Residual [17.638034176859932]
既存の分散度推定は、主に4D結合ボリュームを活用し、分散回帰のための非常に深い3D畳み込みニューラルネットワーク(CNN)を構築する。
本稿では,EDNetというネットワークを効率よく分散推定する手法を提案する。
Scene FlowとKITTIデータセットの実験は、EDNetが以前の3D CNNベースの作業より優れていることを示している。
論文 参考訳(メタデータ) (2020-10-26T04:49:44Z) - Towards Practical Lipreading with Distilled and Efficient Models [57.41253104365274]
ニューラルネットワークの復活により、リリーディングは多くの進歩を目の当たりにした。
最近の研究は、最適なアーキテクチャを見つけるか、一般化を改善することで、パフォーマンスを改善するといった側面に重点を置いている。
現在の方法論と、実践的なシナリオにおける効果的なリップリーディングのデプロイ要件との間には、依然として大きなギャップがあります。
まず, LRW と LRW-1000 をそれぞれ 88.5% と 46.6% に比例して, 最先端の性能を高めることを提案する。
論文 参考訳(メタデータ) (2020-07-13T16:56:27Z)
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。