論文の概要: Domain and Range Aware Synthetic Negatives Generation for Knowledge Graph Embedding Models

• arxiv url: http://arxiv.org/abs/2411.14858v1
• Date: Fri, 22 Nov 2024 11:17:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 15:03:13.277444
• Title: Domain and Range Aware Synthetic Negatives Generation for Knowledge Graph Embedding Models
• Title（参考訳）: 知識グラフ埋め込みモデルのためのドメインおよび範囲認識合成否定生成
• Authors: Alberto Bernardi, Luca Costabello,
• Abstract要約: 低次元空間におけるエンティティとエッジを表現する知識グラフ埋め込みモデルは、知識グラフ(KG)の完成と探索に関わるタスクの解決に非常に成功した。 トレーニングの鍵となる側面の1つは、真の肯定と偽の肯定(否定)を区別するように教えることである。
• 参考スコア（独自算出の注目度）: 5.360375691077625
• License:
• Abstract: Knowledge Graph Embedding models, representing entities and edges in a low-dimensional space, have been extremely successful at solving tasks related to completing and exploring Knowledge Graphs (KGs). One of the key aspects of training most of these models is teaching to discriminate between true statements positives and false ones (negatives). However, the way in which negatives can be defined is not trivial, as facts missing from the KG are not necessarily false and a set of ground truth negatives is hardly ever given. This makes synthetic negative generation a necessity. Different generation strategies can heavily affect the quality of the embeddings, making it a primary aspect to consider. We revamp a strategy that generates corruptions during training respecting the domain and range of relations, we extend its capabilities and we show our methods bring substantial improvement (+10% MRR) for standard benchmark datasets and over +150% MRR for a larger ontology-backed dataset.
• Abstract（参考訳）: 低次元空間におけるエンティティとエッジを表現する知識グラフ埋め込みモデルは、知識グラフ(KG)の完成と探索に関わるタスクの解決に非常に成功した。 これらのモデルのトレーニングの鍵となる側面の1つは、真の肯定と偽の肯定(否定)を区別するように教えることである。 しかし、KGから欠落した事実は必ずしも偽ではなく、基礎となる真偽の集合はほとんど与えられないため、負が定義できる方法は自明ではない。 これにより、合成陰性生成が必須となる。 異なる生成戦略は埋め込みの品質に大きな影響を与える可能性があるため、考慮すべき重要な側面である。 我々は、ドメインや関係範囲のトレーニング中に腐敗を発生させる戦略を改訂し、その能力を拡張し、我々の手法が標準ベンチマークデータセットに対して大幅に改善(+10% MRR)し、より大きなオントロジー支援データセットに対して+150% MRR以上をもたらすことを示す。

関連論文リスト

• Generative-Enhanced Heterogeneous Graph Contrastive Learning [11.118517297006894]
  異種グラフ(HG)は、実世界の複雑な関係をマルチタイプのノードとエッジによって効果的にモデル化することができる。 近年、自己教師型学習にインスパイアされたHGNN(Heterogeneous Graphs Neural Networks)は、下流タスクにデータ拡張とコントラッシブ・ディミネータを活用することで大きな可能性を示している。 本稿では,GHGCL(Generative-Enhanced Heterogeneous Graph Contrastive Learning)を提案する。
  論文  参考訳（メタデータ） (2024-04-03T15:31:18Z)
• ZeroG: Investigating Cross-dataset Zero-shot Transferability in Graphs [36.749959232724514]
  ZeroGは、クロスデータセットの一般化を可能にするために設計された新しいフレームワークである。 特徴の不整合、ラベル空間の整合、負の移動といった、固有の課題に対処する。 本稿では,抽出したサブグラフの意味情報と構造情報を豊かにするための,プロンプトベースのサブグラフサンプリングモジュールを提案する。
  論文  参考訳（メタデータ） (2024-02-17T09:52:43Z)
• Pre-training and Diagnosing Knowledge Base Completion Models [58.07183284468881]
  我々は,事実の集合から他の集合への知識伝達へのアプローチを,エンティティや関係マッチングを必要とせずに導入し,分析する。 主な貢献は、構造化されていないテキストから収集された事実の大規模事前学習を利用する方法である。 得られた事前学習モデルをよりよく理解するために,オープン知識ベースコンプリートのための事前学習モデルの解析のための新しいデータセットを導入する。
  論文  参考訳（メタデータ） (2024-01-27T15:20:43Z)
• FairGen: Towards Fair Graph Generation [76.34239875010381]
  フェアネスを考慮したグラフ生成モデルFairGenを提案する。 我々のモデルはラベルインフォームドグラフ生成モジュールと公正表現学習モジュールを共同で訓練する。 Webベースのグラフを含む7つの実世界のデータセットの実験結果は、FairGenが最先端のグラフ生成モデルと同等のパフォーマンスを得ることを示した。
  論文  参考訳（メタデータ） (2023-03-30T23:30:42Z)
• Are All Edges Necessary? A Unified Framework for Graph Purification [6.795209119198288]
  グラフのすべてのエッジが機械学習モデルのトレーニングに必要ではない。 本稿では,新たな視点からグラフデータを浄化するために,エッジをドロップする手法を提案する。
  論文  参考訳（メタデータ） (2022-11-09T20:28:25Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Deconfounded Training for Graph Neural Networks [98.06386851685645]
  本稿では, コンバウンディング効果を緩和し, 臨界情報に対するラッチを緩和する新しいDecon Training(DTP)のパラダイムを提案する。 具体的には、注意モジュールを用いて臨界部分グラフと自明部分グラフをアンタングル化する。 これにより、GNNは、ラベルとの関係が複数のディストリビューションで堅牢である、より信頼性の高いサブグラフをキャプチャできる。
  論文  参考訳（メタデータ） (2021-12-30T15:22:35Z)
• Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
  グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。 グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。 実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。 ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。 分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
  論文  参考訳（メタデータ） (2021-10-20T14:23:54Z)
• Reinforced Negative Sampling over Knowledge Graph for Recommendation [106.07209348727564]
  我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(kgPolicy)を開発した。 kgPolicyは、ターゲットのポジティブなインタラクションからナビゲートし、知識を意識したネガティブなシグナルを適応的に受信し、最終的にはリコメンダをトレーニングする潜在的なネガティブなアイテムを生成する。
  論文  参考訳（メタデータ） (2020-03-12T12:44:30Z)

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。