Fugu-MT 論文翻訳(概要): On The Expressive Power of Knowledge Graph Embedding Methods

論文の概要: On The Expressive Power of Knowledge Graph Embedding Methods

arxiv url: http://arxiv.org/abs/2407.16326v1
Date: Tue, 23 Jul 2024 09:21:38 GMT
ステータス: 処理完了
システム内更新日: 2024-07-24 17:45:51.907884
Title: On The Expressive Power of Knowledge Graph Embedding Methods
Title（参考訳）: 知識グラフ埋め込み手法の表現力について
Authors: Jiexing Gao, Dmitry Rodin, Vasily Motolygin, Denis Zaytsev,
Abstract要約: 知識グラフ埋め込み(KGE)は、潜在空間における知識グラフの実体と関係を表現することを目的とした一般的なアプローチである。様々なタスクにおいてKGEが広く普及しているにもかかわらず、KGE法は推論能力に制限がある。 KGE手法の推論能力を比較する数学的枠組みを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Knowledge Graph Embedding (KGE) is a popular approach, which aims to represent entities and relations of a knowledge graph in latent spaces. Their representations are known as embeddings. To measure the plausibility of triplets, score functions are defined over embedding spaces. Despite wide dissemination of KGE in various tasks, KGE methods have limitations in reasoning abilities. In this paper we propose a mathematical framework to compare reasoning abilities of KGE methods. We show that STransE has a higher capability than TransComplEx, and then present new STransCoRe method, which improves the STransE by combining it with the TransCoRe insights, which can reduce the STransE space complexity.
Abstract（参考訳）: 知識グラフ埋め込み(KGE)は、潜在空間における知識グラフの実体と関係を表現することを目的とした一般的なアプローチである。彼らの表現は埋め込みとして知られている。三重項の可算性を測定するために、スコア関数は埋め込み空間上で定義される。様々なタスクにおいてKGEが広く普及しているにもかかわらず、KGE法は推論能力に制限がある。本稿では,KGE手法の推論能力を比較する数学的枠組みを提案する。 STransE は TransComplEx よりも高機能であることを示し,STransCoRe を TransCoRe の知見と組み合わせることで STransCoRe の空間複雑性を低減し,STransCoRe を改良する STransCoRe 法を提案する。

関連論文リスト

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)
From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
論文参考訳（メタデータ） (2023-09-24T10:10:21Z)
Analogical Inference Enhanced Knowledge Graph Embedding [5.3821360049964815]
我々は、アナログ推論機能を備えたKGEモデルを強化するための、新規で汎用的な自己教師型フレームワークAnKGEを提案する。アナログオブジェクト検索器は、エンティティレベル、リレーレベル、トリプルレベルから適切なアナログオブジェクトを検索する。 AnKGEはリンク予測タスクの競合結果を達成し、アナログ推論をうまく行う。
論文参考訳（メタデータ） (2023-01-03T07:24:05Z)
Knowledge Graph Contrastive Learning Based on Relation-Symmetrical Structure [36.507635518425744]
関係対称構造に基づく知識グラフコントラスト学習フレームワークKGE-SymCLを提案する。我々のフレームワークは、KGEモデルの識別能力を高めるために、KGの対称構造情報をマイニングする。
論文参考訳（メタデータ） (2022-11-19T16:30:29Z)
ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
論文参考訳（メタデータ） (2022-06-08T23:34:39Z)
KQGC: Knowledge Graph Embedding with Smoothing Effects of Graph Convolutions for Recommendation [3.264007084815591]
我々はKQGC(Knowledge Query-based Graph Convolution)と呼ばれるリコメンデータシステムのための新しいモデルを提案する。 KQGCは平滑化に焦点を当て、KGEを平滑化するために単純な線形グラフ畳み込みを利用する。提案したKQGCを,特定の製品のユーザを対象としたレコメンデーションタスクに適用する。
論文参考訳（メタデータ） (2022-05-23T09:34:06Z)
GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文参考訳（メタデータ） (2022-03-24T02:58:36Z)
How Does Knowledge Graph Embedding Extrapolate to Unseen Data: a Semantic Evidence View [13.575052133743505]
我々は,知識グラフ埋め込み(KGE)が未知のデータにどのように当てはまるかを研究する。また,セマンティック・エビデンス・アウェアメント・グラフニューラルネット(SE-GNN)と呼ばれる新しいGNNベースのKGEモデルを提案する。
論文参考訳（メタデータ） (2021-09-24T08:17:02Z)
RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
論文参考訳（メタデータ） (2021-01-25T13:31:29Z)
Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature Interactions [153.6357310444093]
Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
論文参考訳（メタデータ） (2020-03-05T13:05:27Z)
The KEEN Universe: An Ecosystem for Knowledge Graph Embeddings with a Focus on Reproducibility and Transferability [0.8924669503280335]
我々は,伝達可能性に強く焦点を絞った知識グラフ埋め込みのためのエコシステムであるKEEN Universeを提示する。 KEEN Universeは現在、PythonパッケージPyKEEN(Python KnowlEdge EmbeddiNgs)、BioKEEN(Biological KnowlEdge EmbeddiNgs)、KEEN Model Zoo(KEENモデル動物園)で構成されている。
論文参考訳（メタデータ） (2020-01-28T19:12:37Z)

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。