論文の概要: AutoRDF2GML: Facilitating RDF Integration in Graph Machine Learning

• arxiv url: http://arxiv.org/abs/2407.18735v1
• Date: Fri, 26 Jul 2024 13:44:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-29 13:21:06.201987
• Title: AutoRDF2GML: Facilitating RDF Integration in Graph Machine Learning
• Title（参考訳）: AutoRDF2GML:グラフ機械学習におけるRDF統合の実現
• Authors: Michael Färber, David Lamprecht, Yuni Susanti,
• Abstract要約: AutoRDF2GMLは、RDFデータをグラフ機械学習タスクに適したデータ表現に変換するように設計されたフレームワークである。 大規模RDF知識グラフから作成したグラフ機械学習のための新しいベンチマークデータセットを4つ提示する。
• 参考スコア（独自算出の注目度）: 9.408189129889006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce AutoRDF2GML, a framework designed to convert RDF data into data representations tailored for graph machine learning tasks. AutoRDF2GML enables, for the first time, the creation of both content-based features -- i.e., features based on RDF datatype properties -- and topology-based features -- i.e., features based on RDF object properties. Characterized by automated feature extraction, AutoRDF2GML makes it possible even for users less familiar with RDF and SPARQL to generate data representations ready for graph machine learning tasks, such as link prediction, node classification, and graph classification. Furthermore, we present four new benchmark datasets for graph machine learning, created from large RDF knowledge graphs using our framework. These datasets serve as valuable resources for evaluating graph machine learning approaches, such as graph neural networks. Overall, our framework effectively bridges the gap between the Graph Machine Learning and Semantic Web communities, paving the way for RDF-based machine learning applications.
• Abstract（参考訳）: 本稿では,RDFデータをグラフ機械学習タスクに適したデータ表現に変換するためのフレームワークであるAutoRDF2GMLを紹介する。 AutoRDF2GMLは、初めて、RDFデータ型プロパティに基づく機能(RDFデータ型プロパティに基づく機能)と、RDFオブジェクトプロパティに基づく機能(RDFオブジェクトプロパティに基づく機能)の両方を作成することができる。 自動機能抽出によって特徴付けられるAutoRDF2GMLは、RDFやSPARQLに慣れていないユーザでさえ、リンク予測、ノード分類、グラフ分類などのグラフ機械学習タスクに適したデータ表現を生成することができる。 さらに,我々のフレームワークを用いた大規模RDF知識グラフから作成したグラフ機械学習のための4つの新しいベンチマークデータセットを提案する。 これらのデータセットは、グラフニューラルネットワークのようなグラフ機械学習アプローチを評価するための貴重なリソースとなる。 全体として、我々のフレームワークは、グラフ機械学習とセマンティックWebコミュニティのギャップを効果的に埋め、RDFベースの機械学習アプリケーションへの道を開いた。

関連論文リスト

• RAGraph: A General Retrieval-Augmented Graph Learning Framework [35.25522856244149]
  我々は、RAGraph(General Retrieval-Augmented Graph Learning)と呼ばれる新しいフレームワークを紹介する。 RAGraphは、一般的なグラフ基盤モデルに外部グラフデータを導入し、目に見えないシナリオにおけるモデルの一般化を改善する。 推論中、RAGraphは下流タスクにおける重要な類似性に基づいて、似たようなおもちゃのグラフを順応的に検索する。
  論文  参考訳（メタデータ） (2024-10-31T12:05:21Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Large Language Models for Automated Data Science: Introducing CAAFE for Context-Aware Automated Feature Engineering [52.09178018466104]
  データセットのセマンティックな特徴を生成するために、コンテキスト認識自動特徴工学(CAAFE)を導入する。 方法論的には単純だが、CAAFEは14のデータセットのうち11のパフォーマンスを改善している。 我々は,AutoMLシステムの範囲をセマンティックなAutoMLに拡張できるコンテキスト認識ソリューションの重要性を強調した。
  論文  参考訳（メタデータ） (2023-05-05T09:58:40Z)
• Skip Vectors for RDF Data: Extraction Based on the Complexity of Feature Patterns [0.0]
  Resource Description Framework(RDF)は、Web上のリソースの属性や関連性などのメタデータを記述するためのフレームワークである。 本研究では,近隣のエッジとノードの様々な組み合わせを抽出することにより,RDFグラフ内の各リソースの特徴を表す新しい特徴ベクトル(スキップベクトル)を提案する。 分類タスクは、SVM、k-nearest neighbors法、ニューラルネットワーク、ランダムフォレスト、AdaBoostなどの従来の機械学習アルゴリズムに、各リソースの低次元スキップベクトルを適用することで行うことができる。
  論文  参考訳（メタデータ） (2022-01-06T10:07:49Z)
• Automated Graph Machine Learning: Approaches, Libraries, Benchmarks and Directions [58.220137936626315]
  本稿では,グラフ機械学習の自動手法について論じる。 当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。 また、統一的で再現性があり、効率的な評価をサポートする調整されたベンチマークについて述べる。
  論文  参考訳（メタデータ） (2022-01-04T18:31:31Z)
• A Scalable AutoML Approach Based on Graph Neural Networks [4.723269144709768]
  KGpipはAutoMLシステムのサブコンポーネントとして設計されている。 KGpipを2つのAutoMLシステムに統合することで、この能力を実証し、既存の最先端システムの性能を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2021-10-29T20:55:13Z)
• AutoGL: A Library for Automated Graph Learning [67.63587865669372]
  グラフ上での機械学習を自動化するための,最初の専用ライブラリであるAutomated Graph Learning(AutoGL)を紹介する。 AutoGLはオープンソースで、使いやすく、拡張も柔軟です。 また、パイプラインのカスタマイズとアプリケーションの強化を容易にする、AutoGLの軽量バージョンであるAutoGL-lightも紹介します。
  論文  参考訳（メタデータ） (2021-04-11T10:49:23Z)
• Automated Machine Learning on Graphs: A Survey [81.21692888288658]
  本稿では,グラフ上の自動機械学習の体系的かつ包括的レビューを行う。 グラフ機械学習のためのハイパーパラメータ最適化(HPO)とニューラルアーキテクチャ探索(NAS)に注目した。 最後に、自動化グラフ機械学習の今後の研究方向に関する洞察を共有します。
  論文  参考訳（メタデータ） (2021-03-01T04:20:33Z)
• Lightweight, Dynamic Graph Convolutional Networks for AMR-to-Text Generation [56.73834525802723]
  軽量な動的グラフ畳み込みネットワーク (LDGCN) を提案する。 LDGCNは入力グラフから高次情報を合成することにより、よりリッチな非局所的な相互作用をキャプチャする。 我々は,グループグラフの畳み込みと重み付き畳み込みに基づく2つの新しいパラメータ保存戦略を開発し,メモリ使用量とモデル複雑性を低減する。
  論文  参考訳（メタデータ） (2020-10-09T06:03:46Z)
• A Novel Approach for Generating SPARQL Queries from RDF Graphs [0.0]
  この研究は、研究マスターの論文プロジェクトの一部として行われている。 目標は、RDFグラフをクエリするために、ユーザが提供するキーワードに基づいてSPARQLクエリを生成することだ。
  論文  参考訳（メタデータ） (2020-05-30T18:28:49Z)
• RDFFrames: Knowledge Graph Access for Machine Learning Tools [6.50725902438059]
  ナレッジグラフのための機械学習ツールは、データベースシステムを使用することの明らかな利点にもかかわらず、SPARQLを使用しない。 これは、データモデルとプログラミングスタイルの点で、SPARQLと機械学習ツールのミスマッチのためです。 本稿では,機械学習ソフトウェアスタックからの知識グラフのインターフェースを提供するフレームワークであるRDFFramesを提案する。
  論文  参考訳（メタデータ） (2020-02-10T09:39:25Z)

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。