論文の概要: A Survey on Knowledge Graph Structure and Knowledge Graph Embeddings

• arxiv url: http://arxiv.org/abs/2412.10092v1
• Date: Fri, 13 Dec 2024 12:30:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-16 15:02:10.271004
• Title: A Survey on Knowledge Graph Structure and Knowledge Graph Embeddings
• Title（参考訳）: 知識グラフ構造と知識グラフ埋め込みに関する調査
• Authors: Jeffrey Sardina, John D. Kelleher, Declan O'Sullivan,
• Abstract要約: 本論文は,著者の知識に基づいて,文献における知識グラフ埋め込みモデルとグラフ構造の確立した関係を探索した最初の総合的な調査である。 この研究がこの分野のさらなる研究を刺激し、KGs、KGEMs、リンク予測タスクのより包括的な理解に寄与することが著者の希望である。
• 参考スコア（独自算出の注目度）: 2.2690868277262486
• License:
• Abstract: Knowledge Graphs (KGs) and their machine learning counterpart, Knowledge Graph Embedding Models (KGEMs), have seen ever-increasing use in a wide variety of academic and applied settings. In particular, KGEMs are typically applied to KGs to solve the link prediction task; i.e. to predict new facts in the domain of a KG based on existing, observed facts. While this approach has been shown substantial power in many end-use cases, it remains incompletely characterised in terms of how KGEMs react differently to KG structure. This is of particular concern in light of recent studies showing that KG structure can be a significant source of bias as well as partially determinant of overall KGEM performance. This paper seeks to address this gap in the state-of-the-art. This paper provides, to the authors' knowledge, the first comprehensive survey exploring established relationships of Knowledge Graph Embedding Models and Graph structure in the literature. It is the hope of the authors that this work will inspire further studies in this area, and contribute to a more holistic understanding of KGs, KGEMs, and the link prediction task.
• Abstract（参考訳）: 知識グラフ(KG)と、その機械学習対応である知識グラフ埋め込みモデル(KGEM)は、さまざまな学術的および応用的な設定において、継続的に使用されるようになっている。 特に、KGEMは、リンク予測タスク、すなわち、既存の観測された事実に基づいてKGの領域における新しい事実を予測するために、KGに適用されるのが一般的である。 このアプローチは多くのエンドユースケースでかなりの力を示しているが、KGEMがKG構造とどのように異なる反応を示すかという点で不完全な特徴が残されている。 これは、最近の研究では、KG構造が大きなバイアスの源となり得ることや、全体的なKGEM性能の部分的に決定可能であることを踏まえて特に懸念されている。 本稿は、最先端技術におけるこのギャップに対処することを目的としている。 本論文は,著者の知識に基づいて,文献における知識グラフ埋め込みモデルとグラフ構造の確立した関係を探索した最初の総合的な調査である。 この研究がこの分野のさらなる研究を刺激し、KGs、KGEMs、リンク予測タスクのより包括的な理解に寄与することが著者の希望である。

関連論文リスト

• KG-FIT: Knowledge Graph Fine-Tuning Upon Open-World Knowledge [63.19837262782962]
  知識グラフ埋め込み(KGE)技術は、知識グラフ内の実体と関係のコンパクトな表現を学習するために重要である。 本研究では、エンティティクラスタのセマンティックコヒーレントな階層構造を構築するKG-FITを紹介する。 ベンチマークデータセットFB15K-237、YAGO3-10、PrimeKGの実験は、最先端の訓練済み言語モデルに基づく手法よりもKG-FITの方が優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-26T03:04:26Z)
• Knowledge Graph Completion using Structural and Textual Embeddings [0.0]
  本稿では,知識グラフ内のテキスト情報と構造情報の両方を利用する関係予測モデルを提案する。 本手法では,歩行に基づく埋め込みと言語モデル埋め込みを統合し,ノードを効果的に表現する。 本研究では,広く利用されているデータセットで評価した場合,関係予測タスクにおける競合結果が得られたことを実証する。
  論文  参考訳（メタデータ） (2024-04-24T21:04:14Z)
• Knowledge Graphs Meet Multi-Modal Learning: A Comprehensive Survey [61.8716670402084]
  本調査は,KG-driven Multi-Modal Learning(KG4MM)とMulti-Modal Knowledge Graph(MM4KG)の2つの主要な側面におけるKG認識研究に焦点を当てる。 KG対応マルチモーダル学習タスクと本質的MMKGタスクの2つの主要なタスクカテゴリについて検討した。 これらのタスクの多くに対して、定義、評価ベンチマークを提供し、関連する研究を行うための重要な洞察を概説する。
  論文  参考訳（メタデータ） (2024-02-08T04:04:36Z)
• Knowledge Graphs are not Created Equal: Exploring the Properties and Structure of Real KGs [2.28438857884398]
  多様な領域から得られた29個の実知識グラフデータセットを解析し,その特性と構造パターンを解析する。 我々は、KGsに含まれる豊富な構造情報は、フィールド全体にわたるより良いKGモデルの開発に役立つと考えている。
  論文  参考訳（メタデータ） (2023-11-10T22:18:09Z)
• Schema First! Learn Versatile Knowledge Graph Embeddings by Capturing Semantics with MASCHInE [3.174882428337821]
  近年,知識グラフ埋め込みモデル (KGEMs) が注目されている。 本研究では,RDF/S情報を活用するKGの小型改良版であるプロトグラフを設計する。 学習されたプロトグラフベースの埋め込みは、KGのセマンティクスをカプセル化することを目的としており、KGEの学習に利用することができる。
  論文  参考訳（メタデータ） (2023-06-06T13:22:54Z)
• A Survey On Few-shot Knowledge Graph Completion with Structural and Commonsense Knowledge [3.4012007729454807]
  FKGC(Few-shot KG completion)は、グラフ表現学習と少数ショット学習の長所を必要とする。 本稿では、一般的に使われているKGとCKGのFKGC課題を紹介する。 そこで,本研究では,KGのタイプと手法の観点から,既存の作品を体系的に分類し,要約する。
  論文  参考訳（メタデータ） (2023-01-03T16:00:09Z)
• A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal [57.8455911689554]
  知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。 質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
  論文  参考訳（メタデータ） (2022-12-12T08:40:04Z)
• Reasoning over Multi-view Knowledge Graphs [59.99051368907095]
  ROMAは、マルチビューKG上で論理クエリに応答する新しいフレームワークである。 大規模(数百万の事実など)のKGや粒度の細かいビューまでスケールする。 トレーニング中に観測されていない構造やKGビューのクエリを一般化する。
  論文  参考訳（メタデータ） (2022-09-27T21:32:20Z)
• Inductive Learning on Commonsense Knowledge Graph Completion [89.72388313527296]
  コモンセンス知識グラフ(英: Commonsense Knowledge graph、CKG)は、知識グラフ(英: knowledge graph、CKG)の一種。 本稿では,未確認のエンティティがテスト時に現れるCKG完了のための帰納学習環境について検討する。 InductivEは、ATOMICとConceptNetベンチマークの標準設定とインダクティブ設定の両方において、最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-09-19T16:10:26Z)
• Relational Learning Analysis of Social Politics using Knowledge Graph Embedding [11.978556412301975]
  本稿では,新しい信頼性ドメインベースのKG埋め込みフレームワークを提案する。 ヘテロジニアスリソースから得られたデータの融合を、ドメインによって表現された正式なKG表現にキャプチャする。 このフレームワークは、データ品質と信頼性を保証するための信頼性モジュールも具体化している。
  論文  参考訳（メタデータ） (2020-06-02T14:10:28Z)
• 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。