論文の概要: Generalizing Knowledge Graph Embedding with Universal Orthogonal Parameterization
- arxiv url: http://arxiv.org/abs/2405.08540v1
- Date: Tue, 14 May 2024 12:26:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-15 14:18:43.150238
- Title: Generalizing Knowledge Graph Embedding with Universal Orthogonal Parameterization
- Title（参考訳）: 普遍直交パラメータ化を用いた知識グラフの一般化
- Authors: Rui Li, Chaozhuo Li, Yanming Shen, Zeyu Zhang, Xu Chen,
- Abstract要約: GoldEは知識グラフの埋め込みのための強力なフレームワークです。
世帯反射の一般化形式に基づく普遍的直交パラメータ化を特徴とする。
3つの標準ベンチマークで最先端のパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 22.86465452511445
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in knowledge graph embedding (KGE) rely on Euclidean/hyperbolic orthogonal relation transformations to model intrinsic logical patterns and topological structures. However, existing approaches are confined to rigid relational orthogonalization with restricted dimension and homogeneous geometry, leading to deficient modeling capability. In this work, we move beyond these approaches in terms of both dimension and geometry by introducing a powerful framework named GoldE, which features a universal orthogonal parameterization based on a generalized form of Householder reflection. Such parameterization can naturally achieve dimensional extension and geometric unification with theoretical guarantees, enabling our framework to simultaneously capture crucial logical patterns and inherent topological heterogeneity of knowledge graphs. Empirically, GoldE achieves state-of-the-art performance on three standard benchmarks. Codes are available at https://github.com/xxrep/GoldE.
- Abstract（参考訳）: 知識グラフ埋め込み(KGE)の最近の進歩は、固有論理パターンと位相構造をモデル化するためのユークリッド/双曲的直交関係変換に依存している。
しかし、既存のアプローチは、制限された次元と均質な幾何学を持つ厳密なリレーショナル直交化に限られており、不十分なモデリング能力をもたらす。
本研究は,一般家庭のリフレクションの形式に基づく普遍的直交パラメータ化を特徴とするGoldEという強力なフレームワークを導入することで,次元と幾何学の両面から,これらのアプローチを超えて進める。
このようなパラメータ化は、理論的な保証とともに次元拡張と幾何学的統一を自然に達成することができ、我々のフレームワークは、知識グラフの重要論理パターンと固有のトポロジ的不均一性を同時に捉えることができる。
経験的に、GoldEは3つの標準ベンチマークで最先端のパフォーマンスを達成する。
コードはhttps://github.com/xxrep/GoldE.comで入手できる。
関連論文リスト
- Bridging Geometric States via Geometric Diffusion Bridge [79.60212414973002]
本稿では,初期および対象の幾何状態を正確にブリッジする新しい生成モデリングフレームワークであるGeometric Diffusion Bridge (GDB)を紹介する。
GDBは、幾何学的状態の接続のためにDoobの$h$-transformの修正版から派生した同変拡散ブリッジを使用している。
我々はGDBが既存の最先端のアプローチを超越し、幾何学的状態を正確にブリッジするための新しい経路を開くことを示す。
論文 参考訳（メタデータ） (2024-10-31T17:59:53Z) - (Deep) Generative Geodesics [57.635187092922976]
2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。
我々の計量は、生成距離と生成測地学の概念的定義に繋がる。
彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
論文 参考訳（メタデータ） (2024-07-15T21:14:02Z) - On the Completeness of Invariant Geometric Deep Learning Models [22.43250261702209]
不変モデルは、点雲における情報的幾何学的特徴を利用して意味のある幾何学的表現を生成することができる。
最も単純なグラフグラフニューラルネットワーク(サブグラフGNN)の幾何学的対応であるGeoNGNNは、これらのコーナーケースの対称性を効果的に破ることができることを示す。
理論ツールとしてGeoNGNNを活用することで、1)従来のグラフ学習で開発されたほとんどのグラフGNNは、E(3)完全性を持つ幾何学的シナリオにシームレスに拡張できる。
論文 参考訳（メタデータ） (2024-02-07T13:32:53Z) - Block-Diagonal Orthogonal Relation and Matrix Entity for Knowledge Graph Embedding [5.463034010805521]
知識グラフ埋め込み (KGE) は、実体の低次元表現と、行方不明な事実を予測するための関係を学習することである。
我々は,エンティティの行列と関係のブロック対角行列を用いた新しいKGEモデルOrthogonalEを紹介する。
実験結果から,我々の新しいKGEモデルOrthogonalEは汎用的かつ柔軟であり,最先端のKGEモデルよりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2024-01-11T15:13:00Z) - A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。
Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。
本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
論文 参考訳（メタデータ） (2023-12-12T18:44:19Z) - Curve Your Attention: Mixed-Curvature Transformers for Graph
Representation Learning [77.1421343649344]
本稿では,一定曲率空間の積を完全に操作するトランスフォーマーの一般化を提案する。
また、非ユークリッド注意に対するカーネル化されたアプローチを提供し、ノード数とエッジ数に線形に時間とメモリコストでモデルを実行できるようにします。
論文 参考訳（メタデータ） (2023-09-08T02:44:37Z) - Renormalization approach to the analysis and design of Hermitian and
non-Hermitian interfaces [0.0]
エルミートおよび非エルミートモデルの幅広いクラスにおける界面状態の統一的な視点を提供する実空間再正規化手法について述べる。
出現する界面物理は、微小な界面パラメータのフローによって制御され、界面状態の性質はこの流れの固定点トポロジーと関連付けられる。
論文 参考訳（メタデータ） (2022-08-31T04:17:54Z) - Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。
単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文 参考訳（メタデータ） (2021-10-28T14:59:41Z) - Knowledge Graph Embeddings in Geometric Algebras [14.269860621624392]
幾何学代数に基づく新しいKG埋め込みフレームワークGeomEを紹介する。
我々のフレームワークは、最先端のKG埋め込みアプローチを仮定し、様々なキー関係パターンをモデル化する能力に有利である。
複数のベンチマーク知識グラフの実験結果から,提案手法はリンク予測のための既存の最先端モデルよりも優れていることが示された。
論文 参考訳（メタデータ） (2020-10-02T13:36:24Z) - DSG-Net: Learning Disentangled Structure and Geometry for 3D Shape
Generation [98.96086261213578]
DSG-Netは3次元形状の非交叉構造と幾何学的メッシュ表現を学習するディープニューラルネットワークである。
これは、幾何(構造)を不変に保ちながら構造(幾何学)のような不整合制御を持つ新しい形状生成アプリケーションの範囲をサポートする。
本手法は,制御可能な生成アプリケーションだけでなく,高品質な合成形状を生成できる。
論文 参考訳（メタデータ） (2020-08-12T17:06:51Z)
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。