論文の概要: Distance-Adaptive Quaternion Knowledge Graph Embedding with Bidirectional Rotation

• arxiv url: http://arxiv.org/abs/2412.04076v1
• Date: Thu, 05 Dec 2024 11:17:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-06 14:40:02.141248
• Title: Distance-Adaptive Quaternion Knowledge Graph Embedding with Bidirectional Rotation
• Title（参考訳）: 双方向回転を用いた距離適応四元数知識グラフ
• Authors: Weihua Wang, Qiuyu Liang, Feilong Bao, Guanglai Gao,
• Abstract要約: 四元数には1つの実部と3つの虚部が含まれており、知識グラフを学習するためのより表現豊かな超複素空間を提供する。 既存の四元数埋め込みモデルは、意味的マッチングまたは幾何距離スコアリング関数を通して三重項の妥当性を測定する。 そこで本研究では,意味マッチングと実体の幾何学的距離を組み合わせた四元数知識グラフ埋め込みモデルを提案する。
• 参考スコア（独自算出の注目度）: 12.69417276887153
• License:
• Abstract: Quaternion contains one real part and three imaginary parts, which provided a more expressive hypercomplex space for learning knowledge graph. Existing quaternion embedding models measure the plausibility of a triplet either through semantic matching or geometric distance scoring functions. However, it appears that semantic matching diminishes the separability of entities, while the distance scoring function weakens the semantics of entities. To address this issue, we propose a novel quaternion knowledge graph embedding model. Our model combines semantic matching with entity's geometric distance to better measure the plausibility of triplets. Specifically, in the quaternion space, we perform a right rotation on head entity and a reverse rotation on tail entity to learn rich semantic features. Then, we utilize distance adaptive translations to learn geometric distance between entities. Furthermore, we provide mathematical proofs to demonstrate our model can handle complex logical relationships. Extensive experimental results and analyses show our model significantly outperforms previous models on well-known knowledge graph completion benchmark datasets. Our code is available at https://github.com/llqy123/DaBR.
• Abstract（参考訳）: 四元数には1つの実部と3つの虚部が含まれており、知識グラフを学習するためのより表現豊かな超複素空間を提供する。 既存の四元数埋め込みモデルは、意味的マッチングまたは幾何距離スコアリング関数を通して三重項の妥当性を測定する。 しかし、セマンティックマッチングはエンティティの分離性を低下させるが、距離スコアリング機能はエンティティのセマンティクスを弱める。 そこで本研究では,新しい四元数知識グラフ埋め込みモデルを提案する。 我々のモデルは、意味マッチングと実体の幾何学的距離を組み合わせることで、三重項の妥当性をよりよく測定する。 具体的には、四元数空間において、ヘッドエンティティ上で右回転とテールエンティティ上で逆回転を行い、リッチな意味的特徴を学習する。 そして,距離適応変換を用いて物体間の幾何学的距離を学習する。 さらに、我々のモデルが複雑な論理的関係を扱えることを示す数学的証明を提供する。 大規模な実験結果と分析結果から,我々のモデルは知識グラフ補完ベンチマークデータセットにおいて,従来のモデルよりも大幅に優れていたことが判明した。 私たちのコードはhttps://github.com/llqy123/DaBRで公開されています。

関連論文リスト

• Measuring the Discrepancy between 3D Geometric Models using Directional Distance Fields [98.15456815880911]
  本稿では,DirDistを提案する。DirDistは3次元幾何データに対して,効率的で効果的で,頑健で,微分可能な距離測定法である。 一般的な距離計量として、DirDistは3次元幾何学モデリングの分野を前進させる可能性がある。
  論文  参考訳（メタデータ） (2024-01-18T05:31:53Z)
• Neural Semantic Surface Maps [52.61017226479506]
  本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。 提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
  論文  参考訳（メタデータ） (2023-09-09T16:21:56Z)
• PolarMOT: How Far Can Geometric Relations Take Us in 3D Multi-Object Tracking? [62.997667081978825]
  グラフのノードとして3D検出を符号化し、グラフエッジ上の局所極座標を用いてオブジェクト間の空間的および時間的対関係を符号化する。 これにより、グラフニューラルネットワークは、時間的および空間的相互作用を効果的に符号化することができる。 我々はnuScenesデータセット上に新しい最先端のデータセットを構築し、さらに重要なことに、私たちの手法であるPolarMOTが、異なる場所にわたって驚くほどよく一般化されていることを示す。
  論文  参考訳（メタデータ） (2022-08-03T10:06:56Z)
• S$^2$Contact: Graph-based Network for 3D Hand-Object Contact Estimation with Semi-Supervised Learning [70.72037296392642]
  モノクロ画像から接触を学習できる新しい半教師付きフレームワークを提案する。 具体的には、大規模データセットにおける視覚的および幾何学的整合性制約を利用して擬似ラベルを生成する。 より正確な再構築を行うために手動インタラクションを規定するコンタクトマップを使用することの利点を示す。
  論文  参考訳（メタデータ） (2022-08-01T14:05:23Z)
• SpaceE: Knowledge Graph Embedding by Relational Linear Transformation in the Entity Space [29.298981273389217]
  知識グラフでは、異なる実体は同じ実体と関係を持つことがある。 このような非射影的関係パターンは、既存の翻訳距離に基づくKGE法ではうまくモデル化できない。 線形変換として関係をモデル化するために,SpaceEと呼ばれる翻訳距離に基づくKGE手法を提案する。
  論文  参考訳（メタデータ） (2022-04-21T16:26:20Z)
• Hyperbolic Vision Transformers: Combining Improvements in Metric Learning [116.13290702262248]
  計量学習のための新しい双曲型モデルを提案する。 本手法のコアとなるのは、双曲空間にマッピングされた出力埋め込みを備えた視覚変換器である。 4つのデータセットに6つの異なる定式化を施したモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-03-21T09:48:23Z)
• HopfE: Knowledge Graph Representation Learning using Inverse Hopf Fibrations [5.349336278606796]
  HopfEは、4次元空間における推論関係の解釈可能性を達成することを目的としている。 まず、3次元ユークリッド空間における構造埋め込みをモデル化し、関係作用素をSO(3)回転と見なす。 次に、3次元空間から4次元超球面への実体埋め込みベクトルを逆ホップフィブレーションを用いてマッピングし、KGオントロジーからの意味情報を埋め込む。
  論文  参考訳（メタデータ） (2021-08-12T14:34:02Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)
• QuatDE: Dynamic Quaternion Embedding for Knowledge Graph Completion [4.837804582368272]
  我々は,様々な関係パターンを明示的に捉えるための動的マッピング戦略を備えた新しいモデルQuatDEを提案する。 実験結果から,QuatDEは3つの確立された知識グラフ補完ベンチマークで最先端の性能を達成できた。
  論文  参考訳（メタデータ） (2021-05-19T09:10:39Z)
• QuatRE: Relation-Aware Quaternions for Knowledge Graph Embeddings [19.386604643035145]
  本稿では,知識グラフの実体と関係性に関する四元数埋め込みを学習するための簡単な埋め込みモデルを提案する。 我々のモデルは、ハミルトン積と四元数空間内の関係が与えられた頭と尾の実体の間の相関性を高めることを目的としている。
  論文  参考訳（メタデータ） (2020-09-26T04:44:25Z)

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。