論文の概要: APEX$^2$: Adaptive and Extreme Summarization for Personalized Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2412.17336v1
- Date: Mon, 23 Dec 2024 07:02:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 15:52:34.105042
- Title: APEX$^2$: Adaptive and Extreme Summarization for Personalized Knowledge Graphs
- Title(参考訳): APEX$^2$: パーソナライズされた知識グラフに対する適応性と極端要約
- Authors: Zihao Li, Dongqi Fu, Mengting Ai, Jingrui He,
- Abstract要約: 本稿では,適応的な要約タスクにおいて優れた理論的保証を備えた,高度にスケーラブルなPKG要約フレームワークを提案する。
我々は、最大で1200万トリプルのベンチマークKGに対して、進化するクエリ設定の下でAPEX$2$を評価した。
実験の結果,APEXは問合せ精度と効率の両面で最先端のベースラインを上回っていることがわかった。
- 参考スコア(独自算出の注目度): 40.055029135415225
- License:
- Abstract: Knowledge graphs (KGs), which store an extensive number of relational facts, serve various applications. Recently, personalized knowledge graphs (PKGs) have emerged as a solution to optimize storage costs by customizing their content to align with users' specific interests within particular domains. In the real world, on one hand, user queries and their underlying interests are inherently evolving, requiring PKGs to adapt continuously; on the other hand, the summarization is constantly expected to be as small as possible in terms of storage cost. However, the existing PKG summarization methods implicitly assume that the user's interests are constant and do not shift. Furthermore, when the size constraint of PKG is extremely small, the existing methods cannot distinguish which facts are more of immediate interest and guarantee the utility of the summarized PKG. To address these limitations, we propose APEX$^2$, a highly scalable PKG summarization framework designed with robust theoretical guarantees to excel in adaptive summarization tasks with extremely small size constraints. To be specific, after constructing an initial PKG, APEX$^2$ continuously tracks the interest shift and adjusts the previous summary. We evaluate APEX$^2$ under an evolving query setting on benchmark KGs containing up to 12 million triples, summarizing with compression ratios $\leq 0.1\%$. The experiments show that APEX outperforms state-of-the-art baselines in terms of both query-answering accuracy and efficiency.
- Abstract(参考訳): 多数の関係事実を格納する知識グラフ(KG)は、様々な用途に役立っている。
近年,個別知識グラフ (PKG) は,特定のドメイン内のユーザの特定の関心事に合わせてコンテンツをカスタマイズすることで,ストレージコストを最適化するソリューションとして登場している。
現実の世界では、ユーザクエリとその基盤となる関心は本質的に進化しており、PKGは継続的に適応する必要がある。
しかし、既存のPKG要約手法では、ユーザの興味が一定であり、変化しないと暗黙的に仮定している。
さらに、PKGのサイズ制約が極端に小さい場合、既存の手法ではどの事実が直近の関心事であるかを区別できず、要約されたPKGの有用性を保証できない。
これらの制約に対処するため,APEX$^2$という高スケーラブルなPKG要約フレームワークを提案する。
具体的には、初期PKGを構築した後、APEX$^2$は利子シフトを継続的に追跡し、前の要約を調整する。
我々は、最大1200万トリプルを含むベンチマークKGに対して、APEX$^2$を、圧縮比$\leq 0.1\%$と要約して、進化するクエリ設定で評価する。
実験の結果,APEXは問合せ精度と効率の両面で最先端のベースラインを上回っていることがわかった。
関連論文リスト
- Posets and Bounded Probabilities for Discovering Order-inducing Features in Event Knowledge Graphs [6.96958458974878]
イベント知識グラフ(EKG)は、プロセス実行の複数の対話的なビューをキャプチャする。
未処理データからのEKG発見のオープンな問題に対処する。
統計的推測に基づくEKG探索アルゴリズムを導出する。
論文 参考訳(メタデータ) (2024-10-08T14:12:51Z) - Federated Knowledge Graph Completion via Latent Embedding Sharing and
Tensor Factorization [51.286715478399515]
FLEST(Federated Latent Embedding Factorization)は、KGの完全化にFederated Factorizationを用いた新しい手法である。
FLESTは埋め込み行列を分解し、潜伏辞書の埋め込みを共有することでプライバシーリスクを低減している。
実証的な結果はFLESTの有効性と効率を示し、パフォーマンスとプライバシのバランスのとれたソリューションを提供する。
論文 参考訳(メタデータ) (2023-11-17T06:03:56Z) - Flexible and Robust Counterfactual Explanations with Minimal Satisfiable
Perturbations [56.941276017696076]
我々は、最小満足度摂動(CEMSP)を用いた対実的説明法という概念的に単純だが効果的な解を提案する。
CEMSPは、意味論的に意味のある正常範囲の助けを借りて、異常な特徴の値を変更することを制限している。
既存の手法と比較して、我々は合成データセットと実世界のデータセットの両方で包括的な実験を行い、柔軟性を維持しつつ、より堅牢な説明を提供することを示した。
論文 参考訳(メタデータ) (2023-09-09T04:05:56Z) - Sparse Index Tracking: Simultaneous Asset Selection and Capital Allocation via $\ell_0$-Constrained Portfolio [7.5684339230894135]
スパースポートフォリオは、取引コストの削減と不正資産の回避の観点から、完全なポートフォリオよりも好ましい。
本稿では,$ell_p$-norm制約を用いたスパースインデックストラッキングの新しい問題式を提案する。
当社のアプローチでは、ポートフォリオとターンオーバースペースの制約を選択でき、再バランス間隔毎にアセット更新を制限することで、トランザクションコストをさらに削減します。
論文 参考訳(メタデータ) (2023-07-22T04:47:30Z) - Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph
Completion [69.55700751102376]
FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。
既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。
本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
論文 参考訳(メタデータ) (2023-04-17T11:42:28Z) - Cardinality Estimation over Knowledge Graphs with Embeddings and Graph Neural Networks [0.552480439325792]
KG(Cardinality Estimation over Knowledge Graphs)は、クエリ最適化において重要である。
本稿では,知識グラフ埋め込みとグラフニューラルネットワーク(GNN)を活用して,結合クエリの濃度を正確に予測する新しい手法であるGNCEを提案する。
論文 参考訳(メタデータ) (2023-03-02T10:39:13Z) - 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) - KnowGraph-PM: a Knowledge Graph based Pricing Model for Semiconductors
Supply Chains [0.0]
KnowGraph-PMは知識グラフベースの動的価格モデルである。
価格変動は顧客との対立を引き起こす可能性がある。
セマンティックデータの統合によって、顧客に適した収益管理が可能になることを実証する。
論文 参考訳(メタデータ) (2022-05-13T10:34:57Z) - Learning, compression, and leakage: Minimising classification error via
meta-universal compression principles [87.054014983402]
学習シナリオのための圧縮技法の有望なグループは、正規化極大(NML)符号化である。
ここでは,教師付き分類問題に対するNMLに基づく意思決定戦略を検討し,多種多様なモデルに適用した場合にPAC学習を実現することを示す。
本手法の誤分類率は,プライバシに敏感なシナリオにおいて,データ漏洩の可能性を定量化するための指標である最大リークによって上限づけられていることを示す。
論文 参考訳(メタデータ) (2020-10-14T20:03:58Z)
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。