論文の概要: Progressive Knowledge Graph Completion
- arxiv url: http://arxiv.org/abs/2404.09897v1
- Date: Mon, 15 Apr 2024 16:16:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-17 21:37:46.247861
- Title: Progressive Knowledge Graph Completion
- Title（参考訳）: プログレッシブな知識グラフの完成
- Authors: Jiayi Li, Ruilin Luo, Jiaqi Sun, Jing Xiao, Yujiu Yang,
- Abstract要約: 知識グラフ補完(KGC)は、知識グラフ(KG)における不完全性の問題に対処するための有望な解決策として登場した。
伝統的なKGC研究は主に三重分類とリンク予測に焦点を当てている。
本稿では,現実シナリオにおけるKGの段階的完了をシミュレートするプログレッシブ・ナレッジグラフ補完タスクを提案する。
- 参考スコア（独自算出の注目度）: 35.464878766786576
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge Graph Completion (KGC) has emerged as a promising solution to address the issue of incompleteness within Knowledge Graphs (KGs). Traditional KGC research primarily centers on triple classification and link prediction. Nevertheless, we contend that these tasks do not align well with real-world scenarios and merely serve as surrogate benchmarks. In this paper, we investigate three crucial processes relevant to real-world construction scenarios: (a) the verification process, which arises from the necessity and limitations of human verifiers; (b) the mining process, which identifies the most promising candidates for verification; and (c) the training process, which harnesses verified data for subsequent utilization; in order to achieve a transition toward more realistic challenges. By integrating these three processes, we introduce the Progressive Knowledge Graph Completion (PKGC) task, which simulates the gradual completion of KGs in real-world scenarios. Furthermore, to expedite PKGC processing, we propose two acceleration modules: Optimized Top-$k$ algorithm and Semantic Validity Filter. These modules significantly enhance the efficiency of the mining procedure. Our experiments demonstrate that performance in link prediction does not accurately reflect performance in PKGC. A more in-depth analysis reveals the key factors influencing the results and provides potential directions for future research.
- Abstract（参考訳）: Knowledge Graph Completion(KGC)は、KG(Knowledge Graphs)における不完全性の問題に対処する、有望なソリューションとして登場した。
伝統的なKGC研究は主に三重分類とリンク予測に焦点を当てている。
それでも、これらのタスクは現実世界のシナリオとうまく一致せず、単にシュロゲートベンチマークとして機能する、と我々は主張する。
本稿では,実世界の建設シナリオに関連する3つの重要なプロセスについて考察する。
a) 人間の検証者の必要性及び限界から生じる検証プロセス
b) 検証の最も有望な候補を特定する鉱業プロセス及び
(c) より現実的な課題へ移行するために、検証済みのデータをその後の活用に活用する訓練プロセス。
これら3つのプロセスを統合することで、現実シナリオにおけるKGの段階的完了をシミュレートするプログレッシブ・ナレッジグラフ・コンプリート(PKGC)タスクを導入する。
さらに、PKGC処理を高速化するために、最適化されたTop-$k$アルゴリズムとセマンティック妥当性フィルタの2つのアクセラレーションモジュールを提案する。
これらのモジュールは、採掘手順の効率を大幅に向上させる。
本実験は,リンク予測における性能がPKGCの性能を正確に反映していないことを示す。
より詳細な分析により、結果に影響を及ぼす重要な要因が明らかとなり、将来の研究への潜在的方向性が示される。
関連論文リスト
- WISE: Unraveling Business Process Metrics with Domain Knowledge [0.0]
複雑な産業プロセスの異常は、しばしばイベントデータの高変動性と複雑さによって隠蔽される。
本稿では、ドメイン知識、プロセスマイニング、機械学習の統合により、ビジネスプロセスメトリクスを分析する新しい手法WISEを紹介する。
WISEはビジネスプロセス分析における自動化を強化し、望ましいプロセスフローからの逸脱を効果的に検出する。
論文 参考訳（メタデータ） (2024-10-06T07:57:08Z) - Transformers Utilization in Chart Understanding: A Review of Recent Advances & Future Trends [1.124958340749622]
本稿では、理解(CU)における顕著な研究をレビューする。
それは、End-to-End(E2E)ソリューション内でトランスフォーマーを使用するState-of-The-Art(SoTA)フレームワークに焦点を当てている。
この記事では、CUソリューションを進める上で重要な課題を特定し、将来有望な方向性を概説する。
論文 参考訳（メタデータ） (2024-10-05T16:26:44Z) - Overcoming Pitfalls in Graph Contrastive Learning Evaluation: Toward
Comprehensive Benchmarks [60.82579717007963]
本稿では,グラフコントラスト学習(GCL)手法の有効性,一貫性,全体的な能力をより正確に評価するために,拡張された評価フレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-24T01:47:56Z) - Modeling of learning curves with applications to pos tagging [0.27624021966289597]
トレーニングベース全体の学習曲線の進化を推定するアルゴリズムを導入する。
学習手法とは無関係に,所望のタイミングで探索値を反復的に近似する。
本提案は, 作業仮説に関して正式に正しいことを証明し, 信頼性の高い近接条件を含む。
論文 参考訳（メタデータ） (2024-02-04T15:00:52Z) - Contextualization Distillation from Large Language Model for Knowledge
Graph Completion [51.126166442122546]
我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。
提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。
多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
論文 参考訳（メタデータ） (2024-01-28T08:56:49Z) - Scalable PAC-Bayesian Meta-Learning via the PAC-Optimal Hyper-Posterior:
From Theory to Practice [54.03076395748459]
メタラーニング文学の中心的な疑問は、目に見えないタスクへの一般化を保証するために、いかに正規化するかである。
本稿では,Rothfussらによって最初に導かれたメタラーニングの一般化について述べる。
PAC-Bayesian per-task 学習境界におけるメタラーニングの条件と程度について,理論的解析および実証事例研究を行った。
論文 参考訳（メタデータ） (2022-11-14T08:51:04Z) - Tackling Oversmoothing of GNNs with Contrastive Learning [35.88575306925201]
グラフニューラルネットワーク(GNN)は、グラフデータと表現学習能力の包括的な関係を統合する。
オーバースムーシングはノードの最終的な表現を識別不能にし、ノード分類とリンク予測性能を劣化させる。
本稿では,TGCL(Topology-Guided Graph Contrastive Layer)を提案する。
論文 参考訳（メタデータ） (2021-10-26T15:56:16Z) - Sample and Computation Redistribution for Efficient Face Detection [137.19388513633484]
トレーニングデータサンプリングと計算分布戦略は、効率的で正確な顔検出の鍵です。
scrfdf34は、最高の競合製品であるTinaFaceを3.86%(ハードセットでのAP)で上回り、GPU上でVGA解像度画像でmph3$times$より高速です。
論文 参考訳（メタデータ） (2021-05-10T23:51:14Z) - Highly Efficient Knowledge Graph Embedding Learning with Orthogonal
Procrustes Analysis [10.154836127889487]
知識グラフ埋め込み(KGE)は、幅広いアプリケーションへの約束のために、近年集中的に研究されています。
本稿では, トレーニング時間と炭素フットプリントを桁違いに削減できる簡易かつ効果的なKGEフレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-10T03:55:45Z) - Towards High Performance Human Keypoint Detection [87.1034745775229]
文脈情報は人体構成や見えないキーポイントを推論する上で重要な役割を担っている。
そこで我々は,空間とチャネルのコンテキスト情報を効率的に統合するカスケードコンテキストミキサー(CCM)を提案する。
CCMの表現能力を最大化するために、我々は、強陰性な人検出マイニング戦略と共同訓練戦略を開発する。
検出精度を向上させるために,キーポイント予測を後処理するためのいくつかのサブピクセル改良手法を提案する。
論文 参考訳（メタデータ） (2020-02-03T02:24:51Z)
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。