論文の概要: A Survey on Recent Random Walk-based Methods for Embedding Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2406.07402v2
• Date: Tue, 24 Sep 2024 02:11:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-09 01:33:31.361960
• Title: A Survey on Recent Random Walk-based Methods for Embedding Knowledge Graphs
• Title（参考訳）: 知識グラフの埋め込みにおける最近のランダムウォーク法の検討
• Authors: Elika Bozorgi, Sakher Khalil Alqaiidi, Afsaneh Shams, Hamid Reza Arabnia, Krzysztof Kochut,
• Abstract要約: 知識グラフ上の機械学習、ディープラーニング、NLPメソッドは、異なる分野に存在する。 知識グラフは通常、高次元を持つので、それらを低次元ベクトル空間に変換する必要がある。 埋め込みは、入力データ固有の特徴が保存される方法で高次元ベクトルを変換できる低次元空間である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning, deep learning, and NLP methods on knowledge graphs are present in different fields and have important roles in various domains from self-driving cars to friend recommendations on social media platforms. However, to apply these methods to knowledge graphs, the data usually needs to be in an acceptable size and format. In fact, knowledge graphs normally have high dimensions and therefore we need to transform them to a low-dimensional vector space. An embedding is a low-dimensional space into which you can translate high dimensional vectors in a way that intrinsic features of the input data are preserved. In this review, we first explain knowledge graphs and their embedding and then review some of the random walk-based embedding methods that have been developed recently.
• Abstract（参考訳）: 知識グラフ上の機械学習、ディープラーニング、NLPメソッドは、さまざまな分野に存在し、自動運転車からソーシャルメディアプラットフォーム上の友人推奨まで、さまざまな領域で重要な役割を担っている。 しかし、これらの手法を知識グラフに適用するには、データは通常許容可能なサイズとフォーマットでなければならない。 実際、知識グラフは通常高次元を持ち、従ってそれらを低次元ベクトル空間に変換する必要がある。 埋め込みとは、入力データ固有の特徴が保存される方法で高次元ベクトルを変換できる低次元空間である。 本稿では,まず知識グラフとその埋め込みについて解説し,最近開発されたランダムウォークに基づく埋め込み手法について概説する。

関連論文リスト

• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Transformation of Node to Knowledge Graph Embeddings for Faster Link Prediction in Social Networks [2.458658951393896]
  ニューラルネットワークの最近の進歩は、リンク予測、ノード分類、ノードクラスタリング、ノードレコメンデーションといった一般的なグラフ問題を解決している。 本研究では,ランダムウォーク法から得られるノード埋め込みを,計算コストを増大させることなく,知識グラフ法から直接得られる埋め込みに変換する変換モデルについて検討する。
  論文  参考訳（メタデータ） (2021-11-17T04:57:41Z)
• Updating Embeddings for Dynamic Knowledge Graphs [0.9883261192383611]
  完全再トレーニングを必要としない埋め込み更新について検討し、実知識グラフ上の各種埋め込みモデルと組み合わせて評価する。 従来の埋め込みのトレーニングを継続し、追加および削除部分のみを最適化するエポックとインターリーブすると、リンク予測に使用される典型的なメトリクスの点から良い結果が得られる。
  論文  参考訳（メタデータ） (2021-09-22T17:58:47Z)
• DeepWalking Backwards: From Embeddings Back to Graphs [22.085932117823738]
  埋め込みが(およそ)それらを生成するために使用されるグラフを回復できるかどうかを検討する。 すなわち、グラフ g の低次元埋め込みから、非常によく似た埋め込みを持つグラフ h を見つけることができる。 私たちの発見は、入力グラフにエンコードされる情報と、その情報がなぜ学習タスクに役立つのかを、より厳密に理解するための一歩です。
  論文  参考訳（メタデータ） (2021-02-17T02:16:12Z)
• Deep Graph Generators: A Survey [8.641606056228675]
  本稿では,深層学習に基づくグラフ生成手法に関する総合的な調査を行う。 それらは、autoregressive、autoencoderベース、rlベース、adversarial、flowベースのグラフジェネレータの5つに分類される。 また、公開ソースコード、一般的に使用されるデータセット、および最も広く使用されている評価指標も提示します。
  論文  参考訳（メタデータ） (2020-12-31T11:01:33Z)
• A Survey of Embedding Space Alignment Methods for Language and Knowledge Graphs [77.34726150561087]
  単語,文,知識グラフの埋め込みアルゴリズムに関する現在の研究状況について調査する。 本稿では、関連するアライメント手法の分類と、この研究分野で使用されるベンチマークデータセットについて論じる。
  論文  参考訳（メタデータ） (2020-10-26T16:08:13Z)
• 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)

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。