論文の概要: Subgraph2vec: A random walk-based algorithm for embedding knowledge graphs
- arxiv url: http://arxiv.org/abs/2405.02240v1
- Date: Fri, 3 May 2024 16:51:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-06 12:06:51.166064
- Title: Subgraph2vec: A random walk-based algorithm for embedding knowledge graphs
- Title（参考訳）: Subgraph2vec:知識グラフの埋め込みのためのランダムウォークに基づくアルゴリズム
- Authors: Elika Bozorgi, Saber Soleimani, Sakher Khalil Alqaiidi, Hamid Reza Arabnia, Krzysztof Kochut,
- Abstract要約: ユーザが定義したサブグラフ内でウォークが実行されるKGを埋め込むための textitsubgraph2vec を導入する。
この埋め込みをリンク予測に使用し,従来の手法と比較してほとんどの場合において,より優れた性能を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph is an important data representation which occurs naturally in the real world applications \cite{goyal2018graph}. Therefore, analyzing graphs provides users with better insights in different areas such as anomaly detection \cite{ma2021comprehensive}, decision making \cite{fan2023graph}, clustering \cite{tsitsulin2023graph}, classification \cite{wang2021mixup} and etc. However, most of these methods require high levels of computational time and space. We can use other ways like embedding to reduce these costs. Knowledge graph (KG) embedding is a technique that aims to achieve the vector representation of a KG. It represents entities and relations of a KG in a low-dimensional space while maintaining the semantic meanings of them. There are different methods for embedding graphs including random walk-based methods such as node2vec, metapath2vec and regpattern2vec. However, most of these methods bias the walks based on a rigid pattern usually hard-coded in the algorithm. In this work, we introduce \textit{subgraph2vec} for embedding KGs where walks are run inside a user-defined subgraph. We use this embedding for link prediction and prove our method has better performance in most cases in comparison with the previous ones.
- Abstract（参考訳）: Graphは、現実世界のアプリケーション \cite{goyal2018graph} で自然に発生する重要なデータ表現である。
したがって、グラフの分析は、異常検出 \cite{ma2021comprehensive}、意思決定 \cite{fan2023graph}、クラスタリング \cite{tsitsulin2023graph}、分類 \cite{wang2021mixup}など、さまざまな領域におけるより良い洞察を提供する。
しかし、これらの手法の多くは高い計算時間と空間を必要とする。
埋め込みのような他の方法を使ってコストを削減できます。
知識グラフ(KG)埋め込みは、KGのベクトル表現を実現する技術である。
低次元空間におけるKGの実体と関係を表現し、それらの意味を維持できる。
node2vec、Metapath2vec、regpattern2vecのようなランダムウォークベースのメソッドを含むグラフを埋め込む方法は様々である。
しかしながら、これらの手法の多くは、通常アルゴリズムでハードコードされた厳密なパターンに基づいてウォークをバイアスする。
本研究では,ユーザの定義したサブグラフ内でウォークが実行されるKGを埋め込むためのtextit{subgraph2vec}を紹介する。
この埋め込みをリンク予測に使用し,従来の手法と比較してほとんどの場合において,より優れた性能を示す。
関連論文リスト
- StarGraph: A Coarse-to-Fine Representation Method for Large-Scale
Knowledge Graph [0.6445605125467573]
本稿では,近隣情報を大規模知識グラフに活用するための新しい手法であるStarGraphを提案する。
提案手法は,ogbl-wikikg2データセットの有効性を検証する。
論文 参考訳（メタデータ） (2022-05-27T19:32:45Z) - Exploring Graph Representation of Chorales [0.0]
この研究は、重複する領域の音楽、グラフ理論、機械学習を探索する。
ノードの埋め込み表現は、重み付けされた無向グラフ $mathcalG$ において、埋め込み空間におけるノードの意味をキャプチャする表現である。
論文 参考訳（メタデータ） (2022-01-27T09:46:10Z) - Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。
提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。
すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文 参考訳（メタデータ） (2021-09-01T08:24:02Z) - Sketch-Based Anomaly Detection in Streaming Graphs [89.52200264469364]
動的グラフからのグラフエッジのストリームを前提に、オンライン形式でエッジやサブグラフに異常スコアを割り当てるにはどうすればよいのか?
本手法は,高密度部分グラフ探索を取り入れた最初のストリーミング手法であり,一定時間におけるグラフ異常を検出する。
論文 参考訳（メタデータ） (2021-06-08T16:10:36Z) - Learnable Graph Matching: Incorporating Graph Partitioning with Deep
Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。
既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。
そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文 参考訳（メタデータ） (2021-03-30T08:58:45Z) - Adversarial Linear Contextual Bandits with Graph-Structured Side
Observations [80.95090605985042]
学習エージェントは、$d$-dimensionalコンテキストベクトルで提示された後、一連の$k$アクションから繰り返し選択する。
エージェントは選択されたアクションの損失を誘発し、観察するが、観察構造における隣り合うアクションの損失も観察する。
textttEXP3に基づく2つの効率的なアルゴリズムが開発された。
論文 参考訳（メタデータ） (2020-12-10T15:40:07Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳（メタデータ） (2020-10-20T05:54:31Z) - About Graph Degeneracy, Representation Learning and Scalability [2.029783382155471]
ウォークベースグラフ表現学習アルゴリズムの時間とメモリ消費を削減するために,Kコア分解を利用した2つの手法を提案する。
提案手法の有効性を,いくつかの学術的データセットを用いて評価した。
論文 参考訳（メタデータ） (2020-09-04T09:39:43Z) - Graph topology inference benchmarks for machine learning [16.857405938139525]
本稿では,グラフ推論手法の相対的メリットと限界を明らかにするために,いくつかのベンチマークを導入する。
我々はまた、文学において最も顕著な技法のいくつかを対比している。
論文 参考訳（メタデータ） (2020-07-16T09:40:32Z) - Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
我々は高密度サブグラフ発見のための新しい学習問題を導入する。
まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。
そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-06-24T11:37:33Z) - Factorized Graph Representations for Semi-Supervised Learning from
Sparse Data [8.875598257768846]
極端に粗いラベル付きグラフでも、遠隔互換性推定と呼ばれる手法が有効であることを示す。
我々の推定器は代替手法よりも桁違いに高速であり、エンドツーエンドの分類精度は金の標準適合性に匹敵するものである。
論文 参考訳（メタデータ） (2020-03-05T18:57:45Z)
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。