論文の概要: Associative Knowledge Graphs for Efficient Sequence Storage and Retrieval
- arxiv url: http://arxiv.org/abs/2411.14480v2
- Date: Tue, 09 Sep 2025 20:34:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-11 15:16:51.957116
- 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: 連想知識グラフ(AKG)は、グラフ構造を利用してシーケンスをエンコードすることで、有望なアプローチを提供する。
本研究では,シークエンス保存と検索のための新しい構造的アプローチを提案する。
計算神経科学とバイオインフォマティクスの幅広い応用により、この手法はシーケンスベースのメモリタスクにスケーラブルなソリューションを提供する。
- 参考スコア（独自算出の注目度）: 0.9786690381850353
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The paper addresses challenges in storing and retrieving sequences in contexts like anomaly detection, behavior prediction, and genetic information analysis. Associative Knowledge Graphs (AKGs) offer a promising approach by leveraging sparse graph structures to encode sequences. The objective was to develop a method for sequence storage and retrieval using AKGs that maintain high memory capacity and context-based retrieval accuracy while introducing algorithms for efficient element ordering. The study utilized Sequential Structural Associative Knowledge Graphs (SSAKGs). These graphs encode sequences as transitive tournaments with nodes representing objects and edges defining the order. Four ordering algorithms were developed and tested: Simple Sort, Node Ordering, Enhanced Node Ordering, and Weighted Edges Node Ordering. The evaluation was conducted on synthetic datasets consisting of random sequences of varying lengths and distributions, and real-world datasets, including sentence-based sequences from the NLTK library and miRNA sequences mapped symbolically with a window-based approach. Metrics such as precision, sensitivity, and specificity were employed to assess performance. SSAKGs exhibited quadratic growth in memory capacity relative to graph size. This study introduces a novel structural approach for sequence storage and retrieval. Key advantages include no training requirements, flexible context-based reconstruction, and high efficiency in sparse memory graphs. With broad applications in computational neuroscience and bioinformatics, the approach offers scalable solutions for sequence-based memory tasks.
- Abstract（参考訳）: この論文は、異常検出、行動予測、遺伝情報分析などのコンテキストにおけるシーケンスの保存と検索の課題に対処する。
連想知識グラフ(AKG)は、スパースグラフ構造を利用してシーケンスをエンコードすることで、有望なアプローチを提供する。
本研究の目的は、効率的な要素順序付けのためのアルゴリズムを導入しつつ、高いメモリ容量と文脈に基づく検索精度を維持するAKGを用いたシーケンス記憶・検索手法を開発することである。
この研究はSSAKG(Sequential Structure Associative Knowledge Graphs)を利用した。
これらのグラフは、順序を定義するオブジェクトとエッジを表すノードを持つ推移的なトーナメントとしてシーケンスをエンコードする。
Simple Sort、Node Ordering、Enhanced Node Ordering、Weighted Edges Node Orderingの4つの順序アルゴリズムが開発、テストされた。
この評価は,NLTKライブラリからの文ベースシーケンスや,ウィンドウベースアプローチを象徴的にマッピングしたmiRNAシーケンスを含む,さまざまな長さと分布のランダムな配列と実世界のデータセットからなる合成データセットを用いて行った。
精度、感度、特異性などの指標を用いて評価を行った。
SSAKGはグラフサイズに対してメモリ容量が2倍に成長した。
本研究では,シークエンス保存と検索のための新しい構造的アプローチを提案する。
主な利点は、トレーニング要件の不要、柔軟なコンテキストベースの再構築、スパースメモリグラフの高効率である。
計算神経科学とバイオインフォマティクスの幅広い応用により、この手法はシーケンスベースのメモリタスクにスケーラブルなソリューションを提供する。
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。