論文の概要: Associative Knowledge Graphs for Efficient Sequence Storage and Retrieval

• arxiv url: http://arxiv.org/abs/2411.14480v1
• Date: Tue, 19 Nov 2024 13:00:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 18:36:28.990033
• Title: Associative Knowledge Graphs for Efficient Sequence Storage and Retrieval
• Title（参考訳）: 効率的なシーケンス記憶と検索のための連想的知識グラフ
• Authors: Przemysław Stokłosa, Janusz A. Starzyk, Paweł Raif, Adrian Horzyk, Marcin Kowalik,
• Abstract要約: シーケンスの保存と認識に非常に効果的な連想的知識グラフを作成します。 個々のオブジェクト(ノードとして表現される)は、複数のシーケンスの一部あるいは単一のシーケンス内で繰り返し現れる。 このアプローチは、金融取引における異常検出や過去の行動に基づくユーザの振る舞いの予測など、さまざまな分野への応用の可能性を持っている。
• 参考スコア（独自算出の注目度）: 3.355436702348694
• License:
• Abstract: This paper presents a novel approach for constructing associative knowledge graphs that are highly effective for storing and recognizing sequences. The graph is created by representing overlapping sequences of objects, as tightly connected clusters within the larger graph. Individual objects (represented as nodes) can be a part of multiple sequences or appear repeatedly within a single sequence. To retrieve sequences, we leverage context, providing a subset of objects that triggers an association with the complete sequence. The system's memory capacity is determined by the size of the graph and the density of its connections. We have theoretically derived the relationships between the critical density of the graph and the memory capacity for storing sequences. The critical density is the point beyond which error-free sequence reconstruction becomes impossible. Furthermore, we have developed an efficient algorithm for ordering elements within a sequence. Through extensive experiments with various types of sequences, we have confirmed the validity of these relationships. This approach has potential applications in diverse fields, such as anomaly detection in financial transactions or predicting user behavior based on past actions.
• Abstract（参考訳）: 本稿では,シーケンスの保存と認識に極めて有効な連想知識グラフを構築するための新しいアプローチを提案する。 グラフは、オブジェクトの重なり合うシーケンスを、より大きなグラフ内の密接な連結クラスタとして表現することによって生成される。 個々のオブジェクト(ノードとして表現される)は、複数のシーケンスの一部あるいは単一のシーケンス内で繰り返し現れる。 シーケンスを検索するために、コンテクストを活用し、完全なシーケンスに関連付けるオブジェクトのサブセットを提供する。 システムのメモリ容量は、グラフのサイズとその接続密度によって決定される。 理論的には、グラフの臨界密度とシーケンスを格納するためのメモリ容量の関係を導出した。 臨界密度は、エラーのないシーケンス再構成が不可能になる点である。 さらに,配列内の要素を順序付けする効率的なアルゴリズムを開発した。 様々な種類の配列を用いた広範な実験を通じて、これらの関係の有効性を確認した。 このアプローチは、金融取引における異常検出や過去の行動に基づくユーザの振る舞いの予測など、さまざまな分野への応用の可能性を持っている。

関連論文リスト

• Linear Transformer Topological Masking with Graph Random Features [52.717865653036796]
  重み付き隣接行列の学習可能な関数としてトポロジカルマスクをパラメータ化する方法を示す。 私たちの効率的なマスキングアルゴリズムは、画像およびポイントクラウドデータのタスクに対して、強力なパフォーマンス向上を提供します。
  論文  参考訳（メタデータ） (2024-10-04T14:24:06Z)
• Multi-Scene Generalized Trajectory Global Graph Solver with Composite Nodes for Multiple Object Tracking [61.69892497726235]
  複合ノードメッセージパッシングネットワーク(CoNo-Link)は、超長いフレーム情報を関連付けるためのフレームワークである。 オブジェクトをノードとして扱う従来の方法に加えて、このネットワークは情報インタラクションのためのノードとしてオブジェクトトラジェクトリを革新的に扱う。 我々のモデルは、合成ノードを追加することで、より長い時間スケールでより良い予測を学習することができる。
  論文  参考訳（メタデータ） (2023-12-14T14:00:30Z)
• Discovering Utility-driven Interval Rules [35.917665876992416]
  高ユーティリティシーケンシャルルールマイニング(英: High-utility Sequence Rule mining、HUSRM)は、シーケンス内のイベント間の関連を明らかにする知識発見手法である。 本研究では,実効性駆動型インターバルルールマイニング(UIRMiner)アルゴリズムを提案し,このインターバルイベントシーケンスデータベースから全実用性駆動型インターバルルール(UIR)を抽出する。
  論文  参考訳（メタデータ） (2023-09-28T01:57:40Z)
• Self-supervised Extraction of Human Motion Structures via Frame-wise Discrete Features [2.239394800147746]
  本稿では,フレームワイドの離散的特徴によって表現される人間の動作の構造を自己監督的に抽出するエンコーダ・デコーダモデルを提案する。 実験では,移動符号のスパース構造を用いて,符号間の関係とシーケンス間の差異の可視化を容易にするグラフをコンパイルした。
  論文  参考訳（メタデータ） (2023-09-12T05:43:13Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Seq-HyGAN: Sequence Classification via Hypergraph Attention Network [0.0]
  シークエンス分類は、健康におけるゲノム分類やビジネスにおける異常検出など、さまざまな領域における幅広い実世界の応用を有する。 シーケンスデータに明示的な機能がないため、機械学習モデルでは難しい。 本稿では,新しいハイパーグラフ注意ネットワークモデル,Seq-HyGANを提案する。
  論文  参考訳（メタデータ） (2023-03-04T11:53:33Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Graph Ordering Attention Networks [22.468776559433614]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに関わる多くの問題でうまく使われている。 近隣ノード間のインタラクションをキャプチャする新しいGNNコンポーネントであるグラフ順序付け注意層(GOAT)を導入する。 GOATレイヤは、複雑な情報をキャプチャするグラフメトリクスのモデリングにおけるパフォーマンスの向上を示す。
  論文  参考訳（メタデータ） (2022-04-11T18:13:19Z)
• Relation Regularized Scene Graph Generation [206.76762860019065]
  SGG(Scene Graph Generation)は、検出されたオブジェクトの上に構築され、オブジェクトのペアの視覚的関係を予測する。 本稿では,2つのオブジェクト間の関係を予測できる関係正規化ネットワーク(R2-Net)を提案する。 我々のR2-Netはオブジェクトラベルを効果的に洗練し、シーングラフを生成する。
  論文  参考訳（メタデータ） (2022-02-22T11:36:49Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)

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。