論文の概要: VN Network: Embedding Newly Emerging Entities with Virtual Neighbors

• arxiv url: http://arxiv.org/abs/2402.14033v1
• Date: Wed, 21 Feb 2024 03:04:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-23 17:30:48.467626
• Title: VN Network: Embedding Newly Emerging Entities with Virtual Neighbors
• Title（参考訳）: VN Network: 新しく誕生したエンティティを仮想近隣に埋め込む
• Authors: Yongquan He and Zihan Wang and Peng Zhang and Zhaopeng Tu and Zhaochun Ren
• Abstract要約: 本稿では,3つの課題に対処するため,VN(Virtual Neighbor)ネットワークという新しいフレームワークを提案する。 まず、近隣の空間問題を減らすために、ルールによって推測される仮想隣人の概念を導入する。 第二に、複雑なパターンを捉えるために、論理と対称パスのルールの両方を識別する。
• 参考スコア（独自算出の注目度）: 59.906332784508706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Embedding entities and relations into continuous vector spaces has attracted a surge of interest in recent years. Most embedding methods assume that all test entities are available during training, which makes it time-consuming to retrain embeddings for newly emerging entities. To address this issue, recent works apply the graph neural network on the existing neighbors of the unseen entities. In this paper, we propose a novel framework, namely Virtual Neighbor (VN) network, to address three key challenges. Firstly, to reduce the neighbor sparsity problem, we introduce the concept of the virtual neighbors inferred by rules. And we assign soft labels to these neighbors by solving a rule-constrained problem, rather than simply regarding them as unquestionably true. Secondly, many existing methods only use one-hop or two-hop neighbors for aggregation and ignore the distant information that may be helpful. Instead, we identify both logic and symmetric path rules to capture complex patterns. Finally, instead of one-time injection of rules, we employ an iterative learning scheme between the embedding method and virtual neighbor prediction to capture the interactions within. Experimental results on two knowledge graph completion tasks demonstrate that our VN network significantly outperforms state-of-the-art baselines. Furthermore, results on Subject/Object-R show that our proposed VN network is highly robust to the neighbor sparsity problem.
• Abstract（参考訳）: 連続ベクトル空間への実体と関係の埋め込みは近年、関心の高まりを招いている。 ほとんどの埋め込みメソッドは、すべてのテストエンティティがトレーニング中に利用可能であると仮定している。 この問題に対処するために、最近の研究は、未発見のエンティティの既存の近傍にグラフニューラルネットワークを適用する。 本稿では,VN(Virtual Neighbor)ネットワークという,3つの課題に対処する新しいフレームワークを提案する。 まず、近隣の空間問題を減らすために、ルールによって推測される仮想隣人の概念を導入する。 そして、規則に制約のある問題を解決することで、これらの隣人にソフトなラベルを割り当てる。 第二に、既存の方法の多くは、集約のために1ホップまたは2ホップの隣人しか使用せず、役に立つかもしれない遠い情報を無視している。 代わりに、複雑なパターンをキャプチャするロジックと対称パスの両方のルールを特定します。 最後に,1回限りのルール注入の代わりに,埋め込み手法と仮想隣接予測の反復学習方式を用いてインタラクションをキャプチャする。 2つの知識グラフ補完タスクの実験結果は、我々のVNネットワークが最先端のベースラインを大幅に上回っていることを示している。 さらに,提案手法が提案するvnネットワークは,隣接するスパルシティ問題に対して非常に頑健であることを示す。

関連論文リスト

• LinSATNet: The Positive Linear Satisfiability Neural Networks [116.65291739666303]
  本稿では,ニューラルネットワークに人気の高い正の線形満足度を導入する方法について検討する。 本稿では,古典的なシンクホーンアルゴリズムを拡張し,複数の辺分布の集合を共同で符号化する,最初の微分可能満足層を提案する。
  論文  参考訳（メタデータ） (2024-07-18T22:05:21Z)
• NCP: Neural Correspondence Prior for Effective Unsupervised Shape Matching [31.61255365182462]
  我々は3次元形状間の対応を計算するための新しいパラダイムであるニューラル対応優先(NCP)を提案する。 我々のアプローチは完全に教師なしであり、挑戦する場合でも高品質な対応に繋がる可能性がある。 NCPは、多くのタスクにおいて、データ効率、高速、そして最先端の結果であることを示す。
  論文  参考訳（メタデータ） (2023-01-14T07:22:18Z)
• Affordance detection with Dynamic-Tree Capsule Networks [5.847547503155588]
  視覚入力からの精度検出は、自律的なロボット操作の基本的なステップである。 疎3次元点雲のための動的木構造カプセルをベースとした第1次空隙検出ネットワークを提案する。 このアルゴリズムは、未確認物体の把握に直面する場合、現在の空き検出方法よりも優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:14:08Z)
• Spatial Autoregressive Coding for Graph Neural Recommendation [38.66151035948021]
  浅いモデルとディープグラフニューラルネットワーク(GNN)は、サンプリングされたサブグラフやシーケンスの近傍を適切に利用できない。 本稿では、上記の問題を統一的に解くための新しいフレームワークである空間自己回帰符号化(SAC)を提案する。 パブリックレコメンデーションデータセットと実シナリオWebスケールデータセットの両方の実験結果は、最先端の手法と比較してSACの優位性を示している。
  論文  参考訳（メタデータ） (2022-05-19T12:00:01Z)
• Monkey Business: Reinforcement learning meets neighborhood search for Virtual Network Embedding [0.8312192184427761]
  5Gネットワークスライシングにおける仮想ネットワーク埋め込み(VNE)問題について考察する。 我々はNested Rollout Policy Adaptation (NRPA)アルゴリズムにヒントを得て,NEPA(Neighborhood Enhanced Policy Adaptation)と呼ばれる新しいアルゴリズムを提案する。 NEPAはNRPAとNeighbordhood Searchを組み合わせることで学習する。
  論文  参考訳（メタデータ） (2022-02-28T12:00:56Z)
• Hierarchical Prototype Networks for Continual Graph Representation Learning [90.78466005753505]
  本稿では,連続的に拡張されたグラフを表現するために,プロトタイプの形式で抽象的な知識のレベルを抽出する階層型プロトタイプネットワーク(HPN)を提案する。 我々はHPNが最先端のベースライン技術を上回るだけでなく、メモリ消費も比較的少ないことを示した。
  論文  参考訳（メタデータ） (2021-11-30T14:15:14Z)
• A Sequence-to-Set Network for Nested Named Entity Recognition [38.05786148160635]
  ネストNERのための新しいシーケンス・ツー・セットニューラルネットワークを提案する。 我々は、非自己回帰デコーダを使用して、1回のパスで最終的なエンティティセットを予測する。 実験により, ネストした3つのNERコーパスに対して, 提案モデルが最先端となることを示す。
  論文  参考訳（メタデータ） (2021-05-19T03:10:04Z)
• Attentive WaveBlock: Complementarity-enhanced Mutual Networks for Unsupervised Domain Adaptation in Person Re-identification and Beyond [97.25179345878443]
  本稿では,新しい軽量モジュールであるAttentive WaveBlock (AWB)を提案する。 AWBは相互学習の二重ネットワークに統合され、相互学習の相補性を高め、擬似ラベルのノイズをさらに抑えることができる。 実験により, 提案手法は, 複数のUDA人物再識別タスクを大幅に改善し, 最先端の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-06-11T15:40:40Z)
• Neighborhood Matching Network for Entity Alignment [71.24217694278616]
  Neighborhood Matching Network (NMN)は、新しいエンティティアライメントフレームワークである。 NMNは、トポロジカル構造と近傍差の両方を捉えるために、エンティティ間の類似性を推定する。 まず、新しいグラフサンプリング法を用いて、各エンティティの識別的近傍を蒸留する。 その後、クロスグラフの近傍マッチングモジュールを採用し、与えられたエンティティペアの近傍差を共同で符号化する。
  論文  参考訳（メタデータ） (2020-05-12T08:26:15Z)
• Learning multiview 3D point cloud registration [74.39499501822682]
  本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。 このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
  論文  参考訳（メタデータ） (2020-01-15T03:42:14Z)

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。