Fugu-MT 論文翻訳(概要): Context-Aware Adapter Tuning for Few-Shot Relation Learning in Knowledge Graphs

論文の概要: Context-Aware Adapter Tuning for Few-Shot Relation Learning in Knowledge Graphs

arxiv url: http://arxiv.org/abs/2410.09123v1
Date: Thu, 17 Oct 2024 07:00:29 GMT
ステータス: 処理完了
システム内更新日: 2024-10-30 16:13:24.712622
Title: Context-Aware Adapter Tuning for Few-Shot Relation Learning in Knowledge Graphs
Title（参考訳）: 知識グラフにおけるFew-Shot関係学習のためのコンテキストアウェア・アダプタチューニング
Authors: Ran Liu, Zhongzhou Liu, Xiaoli Li, Yuan Fang,
Abstract要約: 本稿では,知識グラフにおける数ショット関係学習のための文脈認識型アダプタRelAdapterを提案する。まず、RelAdapterは、メタ知識の関連性固有の調整可能な適応を容易にする軽量なアダプタモジュールを備えている。第2に、RelAdapterはターゲット関係に関するコンテキスト情報に富み、それぞれの異なる関係への適応性を高める。
参考スコア（独自算出の注目度）: 10.152109740331163
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Knowledge graphs (KGs) are instrumental in various real-world applications, yet they often suffer from incompleteness due to missing relations. To predict instances for novel relations with limited training examples, few-shot relation learning approaches have emerged, utilizing techniques such as meta-learning. However, the assumption is that novel relations in meta-testing and base relations in meta-training are independently and identically distributed, which may not hold in practice. To address the limitation, we propose RelAdapter, a context-aware adapter for few-shot relation learning in KGs designed to enhance the adaptation process in meta-learning. First, RelAdapter is equipped with a lightweight adapter module that facilitates relation-specific, tunable adaptation of meta-knowledge in a parameter-efficient manner. Second, RelAdapter is enriched with contextual information about the target relation, enabling enhanced adaptation to each distinct relation. Extensive experiments on three benchmark KGs validate the superiority of RelAdapter over state-of-the-art methods.
Abstract（参考訳）: 知識グラフ(KG)は様々な現実世界の応用において有効であるが、しばしば不完全性に悩まされる。限られた訓練例による新しい関係のインスタンスを予測するために,メタラーニングなどの手法を用いて,少数ショット関係学習アプローチが出現している。しかし、メタテストにおける新しい関係とメタトレーニングにおける基礎関係は独立して同一に分布しており、実際には成り立たないという仮定がある。この制限に対処するために,メタラーニングにおける適応プロセスの強化を目的とした,KGにおける少数ショット関係学習のための文脈認識型アダプタRelAdapterを提案する。第一に、RelAdapterは、パラメータ効率のよいメタ知識の、関係性固有の、調整可能な適応を容易にする軽量なアダプタモジュールを備えている。第2に、RelAdapterはターゲット関係に関するコンテキスト情報に富み、それぞれの異なる関係への適応性を高める。 3つのベンチマークKGの大規模な実験は、最先端の手法よりもRelAdapterの方が優れていることを検証している。

関連論文リスト

Generative Adapter: Contextualizing Language Models in Parameters with A Single Forward Pass [109.34230156454574]
大規模言語モデル(LM)は一般的に、新しい文脈におけるパフォーマンスを改善するために適応される。微調整によってトレーニングコストが大幅に増加し、推論オーバーヘッドが増加する。我々は、新しいコンテキストを低ランクLMアダプタに直接マッピングする効率的で効率的な適応手法である$GenerativeAdapter$を紹介した。
論文参考訳（メタデータ） (2024-11-08T00:42:47Z)
CorDA: Context-Oriented Decomposition Adaptation of Large Language Models for Task-Aware Parameter-Efficient Fine-tuning [101.81127587760831]
現在の微調整手法は、学習すべき下流タスクのコンテキストや、維持すべき重要な知識のコンテキストに広く適用できるアダプタを構築している。学習可能なタスク対応アダプタを構築するコンテキスト指向の分解適応手法であるCorDAを提案する。本手法は,知識保存型適応と指導レビュー型適応の2つの選択肢を実現する。
論文参考訳（メタデータ） (2024-06-07T19:10:35Z)
Semantic-Enhanced Relational Metric Learning for Recommender Systems [27.330164862413184]
近年,知識グラフの翻訳機構に触発された推薦コミュニティにおいて,計量学習手法が注目されている。本稿では,推薦システムにおける問題に対処するためのセマンティック拡張メトリックラーニングフレームワークを提案する。具体的には、まず、豊富な特徴とパーソナライズされたユーザー嗜好を含む対象レビューから意味信号を抽出する。次に、抽出した意味信号を利用して、新しい回帰モデルを設計し、元の関係に基づくトレーニングプロセスの識別能力を向上させる。
論文参考訳（メタデータ） (2024-06-07T11:54:50Z)
Modeling Balanced Explicit and Implicit Relations with Contrastive Learning for Knowledge Concept Recommendation in MOOCs [1.0377683220196874]
既存の手法は、推薦のためのユーザと知識概念との明確な関係に依存している。 MOOCプラットフォーム上のユーザの学習活動には、暗黙の関係が多数発生している。本研究では,明示的・暗黙的な関係を表現・バランスできる,対照的な学習に基づく新しい枠組みを提案する。
論文参考訳（メタデータ） (2024-02-13T07:12:44Z)
Type-based Neural Link Prediction Adapter for Complex Query Answering [2.1098688291287475]
本稿では,タイプベースエンティティ関係グラフを構成する新しいモデルであるTypEベースのニューラルリンク予測アダプタ(TENLPA)を提案する。型情報と複雑な論理的クエリを効果的に結合するために,適応学習機構を導入する。 3つの標準データセットの実験により、TENLPAモデルが複雑なクエリ応答における最先端のパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2024-01-29T10:54:28Z)
Hierarchical Relational Learning for Few-Shot Knowledge Graph Completion [25.905974480733562]
数ショットのKG完了のための階層的関係学習法(HiRe)を提案する。 3つのレベルの関係情報を共同で取得することで、HiReは、少数の関係のメタ表現を効果的に学習し、洗練することができる。 2つのベンチマークデータセットの実験は、HiReの他の最先端メソッドに対する優位性を検証する。
論文参考訳（メタデータ） (2022-09-02T17:57:03Z)
Hybrid Relation Guided Set Matching for Few-shot Action Recognition [51.3308583226322]
本稿では,2つの鍵成分を組み込んだHybrid Relation Guided Set Matching (HyRSM) 手法を提案する。ハイブリッドリレーションモジュールの目的は、エピソード内の関連関係とクロスビデオの完全活用により、タスク固有の埋め込みを学習することである。我々は,HyRSMを6つの挑戦的ベンチマークで評価した。
論文参考訳（メタデータ） (2022-04-28T11:43:41Z)
Subgraph-aware Few-Shot Inductive Link Prediction via Meta-Learning [16.288230150590046]
数ショットの帰納的関係推論のためのメタラーナーMeta-iKGを提案する。モデルは、インダクティブな設定を持つ少数の既知の事実を使用して、素早く少数の関係に適応できる。
論文参考訳（メタデータ） (2021-07-26T11:56:18Z)
Meta-learning the Learning Trends Shared Across Tasks [123.10294801296926]
グラディエントベースのメタ学習アルゴリズムは、限られたデータで新しいタスクに素早く適応する。既存のメタ学習アプローチは、適応中の現在のタスク情報にのみ依存する。パターン認識型メタラーニング手法を提案する。
論文参考訳（メタデータ） (2020-10-19T08:06:47Z)
Revisiting Meta-Learning as Supervised Learning [69.2067288158133]
メタラーニングと従来の教師付き学習の関連性を再考し,強化することで,原則的,統一的なフレームワークの提供を目指す。タスク固有のデータセットとターゲットモデルを(機能、ラベル)サンプルとして扱うことで、多くのメタ学習アルゴリズムを教師付き学習のインスタンスに還元することができる。この視点は、メタラーニングを直感的で実践的なフレームワークに統一するだけでなく、教師付き学習から直接洞察を伝達してメタラーニングを改善することができる。
論文参考訳（メタデータ） (2020-02-03T06:13:01Z)
Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
論文参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。