論文の概要: Quantum negative sampling strategy for knowledge graph embedding with variational circuit

• arxiv url: http://arxiv.org/abs/2502.17973v1
• Date: Tue, 25 Feb 2025 08:46:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:22:02.162372
• Title: Quantum negative sampling strategy for knowledge graph embedding with variational circuit
• Title（参考訳）: 変分回路を用いた知識グラフ埋め込みのための量子負サンプリング戦略
• Authors: Pulak Ranjan Giri, Mori Kurokawa, Kazuhiro Saito,
• Abstract要約: 知識グラフ埋め込みのためのハイブリッド量子古典モデルは、変分量子回路を訓練する研究がなされている。 本稿では,量子重ね合わせを利用した負のサンプリング戦略について検討し,知識グラフデータベースを用いてモデルの性能評価を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Knowledge graph is a collection of facts, known as triples(head, relation, tail), which are represented in form of a network, where nodes are entities and edges are relations among the respective head and tail entities. Embedding of knowledge graph for facilitating downstream tasks such as knowledge graph completion, link prediction, recommendation, has been a major area of research recently in classical machine learning. Because the size of knowledge graphs are becoming larger, one of the natural choices is to exploit quantum computing for knowledge graph embedding. Recently, a hybrid quantum classical model for knowledge graph embedding has been studied in which a variational quantum circuit is trained. One of the important aspects in knowledge graph embedding is the sampling of negative triples, which plays a crucial role in efficient training of the model. In classical machine learning various negative sampling strategies have been studied. In quantum knowledge graph embedding model, although we can use these strategies in principle, it is natural to ask if we can exploit quantum advantage in negative sampling. In this article we study such a negative sampling strategy, which exploits quantum superposition, and evaluate the model's performance with a knowledge graph database.
• Abstract（参考訳）: 知識グラフはトリプル(頭、関係、尾)と呼ばれる事実の集合であり、ネットワークの形で表現され、ノードはエンティティ、エッジはそれぞれのヘッドとテールのエンティティ間の関係である。 知識グラフの埋め込みにより、知識グラフの補完、リンク予測、リコメンデーションといった下流タスクが容易になった。 知識グラフのサイズが大きくなるので、自然選択の1つは知識グラフの埋め込みに量子コンピューティングを利用することである。 近年,知識グラフ埋め込みのためのハイブリッド量子古典モデルが研究されている。 知識グラフの埋め込みにおける重要な側面の1つは、モデルの効率的なトレーニングにおいて重要な役割を果たす負の三重項のサンプリングである。 古典的な機械学習では、様々なネガティブサンプリング戦略が研究されている。 量子知識グラフ埋め込みモデルでは、これらの戦略を原則として利用できるが、負のサンプリングで量子優位性を利用することができるかどうかを問うことは自然である。 本稿では,量子重ね合わせを利用した負のサンプリング戦略について検討し,知識グラフデータベースを用いてモデルの性能評価を行う。

関連論文リスト

• QGHNN: A quantum graph Hamiltonian neural network [30.632260870411177]
  グラフニューラルネットワーク(GNN)は、複雑な高次元グラフデータによってもたらされる課題に対処する。 量子ニューラルネットワーク(QNN)は、量子並列性の可能性から、魅力的な代替手段を提供する。 本稿では、ノイズの多い中間規模量子コンピュータ上でのグラフ表現と学習を強化する量子グラフハミルトンニューラルネットワーク(QGHNN)を提案する。
  論文  参考訳（メタデータ） (2025-01-14T10:15:17Z)
• A Theory of Link Prediction via Relational Weisfeiler-Leman on Knowledge Graphs [6.379544211152605]
  グラフニューラルネットワークは、グラフ構造化データ上での表現学習のための顕著なモデルである。 私たちの目標は、知識グラフのためのグラフニューラルネットワークのランドスケープを体系的に理解することです。
  論文  参考訳（メタデータ） (2023-02-04T17:40:03Z)
• Quantum Graph Learning: Frontiers and Outlook [14.1772249363715]
  グラフ学習を促進するために 量子理論を助長することは 生まれたばかりです まずQGLを考察し、量子論とグラフ学習の相互主義について議論する。 グラフ上の量子コンピューティング、量子グラフ表現、グラフニューラルネットワークのための量子回路など、QGLの新しい分類法が提示される。
  論文  参考訳（メタデータ） (2023-02-02T05:53:31Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• From Quantum Graph Computing to Quantum Graph Learning: A Survey [86.8206129053725]
  まず、量子力学とグラフ理論の相関関係について、量子コンピュータが有用な解を生成できることを示す。 本稿では,その実践性と適用性について,一般的なグラフ学習手法について概説する。 今後の研究の触媒として期待される量子グラフ学習のスナップショットを提供する。
  論文  参考訳（メタデータ） (2022-02-19T02:56:47Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts [81.4757750425247]
  動的テキスト環境における質問応答について検討する。 構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2020-04-25T04:53:54Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• Quantum Machine Learning Algorithm for Knowledge Graphs [35.149125599812706]
  暗黙の知識は、知識グラフから生成されたテンソル表現をモデル化し再構成することによって推測することができる。 本稿では,知識グラフのモデリングを高速化するために,量子資源をどのように活用するかを検討する。
  論文  参考訳（メタデータ） (2020-01-04T13:26:29Z)

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。