論文の概要: Reinforcement Learning Approach for Integrating Compressed Contexts into Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2404.12587v1
• Date: Fri, 19 Apr 2024 02:32:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-22 16:24:58.669373
• Title: Reinforcement Learning Approach for Integrating Compressed Contexts into Knowledge Graphs
• Title（参考訳）: 圧縮文脈を知識グラフに統合する強化学習手法
• Authors: Ngoc Quach, Qi Wang, Zijun Gao, Qifeng Sun, Bo Guan, Lillian Floyd,
• Abstract要約: 本研究は、文脈を知識グラフに統合するプロセスを強化するための強化学習(RL)に基づくアプローチを提案する。 我々のDQNモデルはネットワークを関数近似器として利用し、Q値を継続的に更新してアクション値関数を推定する。 我々のRL法は、様々な標準知識グラフデータセット間で正確な文脈統合を実現する技術より優れている。
• 参考スコア（独自算出の注目度）: 7.091151453598395
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The widespread use of knowledge graphs in various fields has brought about a challenge in effectively integrating and updating information within them. When it comes to incorporating contexts, conventional methods often rely on rules or basic machine learning models, which may not fully grasp the complexity and fluidity of context information. This research suggests an approach based on reinforcement learning (RL), specifically utilizing Deep Q Networks (DQN) to enhance the process of integrating contexts into knowledge graphs. By considering the state of the knowledge graph as environment states defining actions as operations for integrating contexts and using a reward function to gauge the improvement in knowledge graph quality post-integration, this method aims to automatically develop strategies for optimal context integration. Our DQN model utilizes networks as function approximators, continually updating Q values to estimate the action value function, thus enabling effective integration of intricate and dynamic context information. Initial experimental findings show that our RL method outperforms techniques in achieving precise context integration across various standard knowledge graph datasets, highlighting the potential and effectiveness of reinforcement learning in enhancing and managing knowledge graphs.
• Abstract（参考訳）: 様々な分野における知識グラフの普及は、情報の統合と更新を効果的に行う上での課題となっている。 コンテキストを組み込む場合、従来の手法はしばしばルールや基本的な機械学習モデルに依存し、コンテキスト情報の複雑さや流動性を十分に把握できない。 本研究では,DQN(Deep Q Networks)を利用した強化学習(RL)に基づく手法を提案し,文脈を知識グラフに統合するプロセスを強化する。 知識グラフの状態を環境として考慮し、コンテキスト統合のための操作としてアクションを定義し、知識グラフの品質改善を評価するために報酬関数を使用することにより、最適な文脈統合のための戦略を自動開発することを目的とする。 我々のDQNモデルはネットワークを関数近似器として利用し、Q値を継続的に更新してアクション値関数を推定し、複雑なコンテキスト情報と動的コンテキスト情報の効果的な統合を可能にする。 実験結果から,RL法は,知識グラフの強化と管理における強化学習の可能性と有効性を明らかにするとともに,様々な標準知識グラフデータセット間で正確な文脈統合を実現する手法よりも優れていることが示された。

関連論文リスト

• Feature-based Graph Attention Networks Improve Online Continual Learning [19.557518080476566]
  グラフ注意ネットワーク(GAT)に基づく新しいオンライン連続学習フレームワークを提案する。 GATは文脈的関係を効果的に捉え、学習された注意重みを通してタスク固有の表現を動的に更新する。 また,メモリ予算を維持しつつ,以前のタスクの表現を改善するリハーサルメモリ複製手法を提案する。
  論文  参考訳（メタデータ） (2025-02-13T10:18:44Z)
• Dynamic Knowledge Integration for Enhanced Vision-Language Reasoning [0.0]
  大規模視覚言語モデル(AKGP-LVLM)のための適応的知識誘導型事前学習法を提案する。 事前訓練と微調整の間、構造化された、構造化されていない知識をLVLMに組み込む。 提案手法を4つのベンチマークデータセットで評価し,最先端モデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-01-15T05:45:04Z)
• In-Context Learning with Topological Information for Knowledge Graph Completion [3.035601871864059]
  我々は,知識グラフの性能を向上させるために,文脈内学習を通じてトポロジ情報を組み込む新しい手法を開発した。 提案手法は,テストグラフデータセット内のノードがトレーニンググラフデータセットに存在するような,トランスダクティブな設定において,高いパフォーマンスを実現する。 提案手法は,ILPC小データセットとILPC大データセットのベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-11T19:29:36Z)
• Towards Automated Knowledge Integration From Human-Interpretable Representations [55.2480439325792]
  我々は,情報メタ学習の原理を理論的に導入・動機付けし,自動的かつ制御可能な帰納バイアス選択を可能にする。 データ効率と一般化を改善するための情報メタラーニングのメリットと限界を実証的に示す。
  論文  参考訳（メタデータ） (2024-02-25T15:08:37Z)
• Semantic Information for Object Detection [0.0]
  本稿では,インスタンスレベルのアノテーションを付加した画像のデータセットから知識グラフを抽出する新しい手法を提案する。 本稿では,Faster-RCNNおよびDETRオブジェクト検出モデルにおける知識認識再最適化の有効性について検討する。
  論文  参考訳（メタデータ） (2023-08-17T13:53:29Z)
• CADGE: Context-Aware Dialogue Generation Enhanced with Graph-Structured Knowledge Aggregation [25.56539617837482]
  コンテキスト対応グラフアテンションモデル(Context-aware GAT)を提案する。 これは、コンテキスト強化された知識集約機構を通じて、関連する知識グラフからグローバルな特徴を同化する。 実験により,本フレームワークは従来のGNNベース言語モデルよりも性能が優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-10T16:31:35Z)
• Knowledge Graph Augmented Network Towards Multiview Representation Learning for Aspect-based Sentiment Analysis [96.53859361560505]
  本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。 KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。 3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
  論文  参考訳（メタデータ） (2022-01-13T08:25:53Z)
• Meta-learning using privileged information for dynamics [66.32254395574994]
  Neural ODE Processモデルを拡張して、Learning Using Privileged Information設定内の追加情報を使用します。 シミュレーション動的タスクの精度とキャリブレーションを向上した実験により拡張性を検証する。
  論文  参考訳（メタデータ） (2021-04-29T12:18:02Z)
• Contextualized Knowledge-aware Attentive Neural Network: Enhancing Answer Selection with Knowledge [77.77684299758494]
  ナレッジグラフ(KG)による外部知識による回答選択モデル向上のアプローチを幅広く検討しています。 まず、KGの外部知識とテキスト情報との密接な相互作用を考慮し、QA文表現を学習するコンテキスト知識相互作用学習フレームワークであるナレッジアウェアニューラルネットワーク(KNN)を紹介します。 KG情報の多様性と複雑性に対処するために, カスタマイズされたグラフ畳み込みネットワーク (GCN) を介して構造情報を用いた知識表現学習を改善し, コンテキストベースおよび知識ベースの文表現を総合的に学習する コンテキスト型知識認識型アテンシブニューラルネットワーク (CKANN) を提案する。
  論文  参考訳（メタデータ） (2021-04-12T05:52:20Z)
• Uncertainty Quantification for Deep Context-Aware Mobile Activity Recognition and Unknown Context Discovery [85.36948722680822]
  我々はα-βネットワークと呼ばれる深層モデルのコンテキスト認識混合を開発する。 高レベルの文脈を識別することで、精度とFスコアを10%向上させる。 トレーニングの安定性を確保するために、公開データセットと社内データセットの両方でクラスタリングベースの事前トレーニングを使用しました。
  論文  参考訳（メタデータ） (2020-03-03T19:35:34Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。