論文の概要: ReaLitE: Enrichment of Relation Embeddings in Knowledge Graphs using Numeric Literals

• arxiv url: http://arxiv.org/abs/2504.00852v1
• Date: Tue, 01 Apr 2025 14:38:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:24:05.859690
• Title: ReaLitE: Enrichment of Relation Embeddings in Knowledge Graphs using Numeric Literals
• Title（参考訳）: ReaLitE:数値リテラルを用いた知識グラフにおける関係埋め込みの強化
• Authors: Antonis Klironomos, Baifan Zhou, Zhuoxun Zheng, Gad-Elrab Mohamed, Heiko Paulheim, Evgeny Kharlamov,
• Abstract要約: リンク予測に適した知識グラフ埋め込み(KGE)手法は、グラフの実体と関係に重点を置いている。 ReaLitEは、エンティティの数値属性を動的に集約し、結合関係の埋め込みとマージする新しい関係中心KGEモデルである。
• 参考スコア（独自算出の注目度）: 6.014443576489523
• License:
• Abstract: Most knowledge graph embedding (KGE) methods tailored for link prediction focus on the entities and relations in the graph, giving little attention to other literal values, which might encode important information. Therefore, some literal-aware KGE models attempt to either integrate numerical values into the embeddings of the entities or convert these numerics into entities during preprocessing, leading to information loss. Other methods concerned with creating relation-specific numerical features assume completeness of numerical data, which does not apply to real-world graphs. In this work, we propose ReaLitE, a novel relation-centric KGE model that dynamically aggregates and merges entities' numerical attributes with the embeddings of the connecting relations. ReaLitE is designed to complement existing conventional KGE methods while supporting multiple variations for numerical aggregations, including a learnable method. We comprehensively evaluated the proposed relation-centric embedding using several benchmarks for link prediction and node classification tasks. The results showed the superiority of ReaLitE over the state of the art in both tasks.
• Abstract（参考訳）: リンク予測に適したほとんどの知識グラフ埋め込み(KGE)手法は、グラフ内のエンティティと関係に注目し、重要な情報をエンコードする他のリテラル値にはほとんど注意を払わない。 したがって、いくつかのリテラル対応のKGEモデルは、エンティティの埋め込みに数値を組み込むか、プリプロセッシング中にこれらの数値をエンティティに変換するか、情報損失をもたらす。 関係特異な数値特徴の作成に関する他の手法は、実世界のグラフには適用されない数値データの完全性を前提としている。 本研究では,関係中心KGEモデルであるReaLitEを提案する。このモデルでは,エンティティの数値特性を動的に集約し,結合関係の埋め込みとマージする。 ReaLitEは、学習可能なメソッドを含む数値集約の複数のバリエーションをサポートしながら、既存のKGEメソッドを補完するように設計されている。 リンク予測やノード分類タスクのベンチマークを用いて,提案した関係中心の埋め込みを包括的に評価した。 その結果,ReaLitEは両タスクの最先端よりも優れていた。

関連論文リスト

• Efficient Relational Context Perception for Knowledge Graph Completion [25.903926643251076]
  知識グラフ(KG)は知識の構造化された表現を提供するが、しばしば不完全性の課題に悩まされる。 従来の知識グラフ埋め込みモデルは、表現力のある特徴を捉える能力に制限がある。 逐次情報をモデル化し,動的文脈の学習を可能にする三重受容アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-12-31T11:25:58Z)
• Knowledge Graph Embeddings: A Comprehensive Survey on Capturing Relation Properties [5.651919225343915]
  知識グラフ埋め込み(KGE)技術は、記号的知識グラフを数値表現に変換する上で重要な役割を果たしている。 本稿では、一対一、一対多、多対一、多対多といった関係に固有の複素写像特性について述べる。 我々は、KGEにマルチモーダル情報を統合すること、規則付き関係パターンモデリングを強化すること、動的KGE設定における関係特性を捉えるモデルを開発することなど、革新的なアイデアを探求する。
  論文  参考訳（メタデータ） (2024-10-16T08:54:52Z)
• Inference over Unseen Entities, Relations and Literals on Knowledge Graphs [1.7474352892977463]
  知識グラフ埋め込みモデルは、様々な課題に対処するために、トランスダクティブな設定でうまく適用されている。 本稿では、エンティティとリレーションのバイトペアエンコードされたサブワード単位のシーケンスから三重埋め込みを構築するための注意的バイトペアエンコーディング層(BytE)を提案する。 BytEは、知識グラフの埋め込みモデルに、エンティティやリレーションではなくサブワード単位の埋め込みを学習させるため、重み付けによる大規模な機能の再利用につながる。
  論文  参考訳（メタデータ） (2024-10-09T10:20:54Z)
• A Comprehensive Study on Knowledge Graph Embedding over Relational Patterns Based on Rule Learning [49.09125100268454]
  KGE(Knowledge Graph Embedding)は、KGC(Knowledge Completion Graph)タスクを解決するための効果的なアプローチであることが証明されている。 関係パターンはKGEモデルの性能において重要な要素である。 我々は,KGEモデルの性能を様々な関係パターン上で向上させるトレーニングフリー手法を提案する。
  論文  参考訳（メタデータ） (2023-08-15T17:30:57Z)
• Contextual Dictionary Lookup for Knowledge Graph Completion [32.493168863565465]
  知識グラフ補完(KGC)は、知識グラフの不完全性(KGs)を解決することを目的として、既知の三重項から欠落するリンクを予測する。 既存の埋め込みモデルは、それぞれの関係を一意なベクトルにマッピングし、異なる実体の下でそれらの特定の粒度のセマンティクスを見渡す。 本稿では,従来の埋め込みモデルを用いて,関係の微粒なセマンティクスをエンド・ツー・エンドで学習することのできる,文脈辞書検索を利用した新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-13T12:13:41Z)
• Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
  分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。 特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。 グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
  論文  参考訳（メタデータ） (2023-05-22T13:48:30Z)
• Efficient Relation-aware Neighborhood Aggregation in Graph Neural Networks via Tensor Decomposition [4.041834517339835]
  グラフ畳み込みネットワーク(R-GCN)の集約関数にテンソル分解を組み込んだ新しい知識グラフを提案する。 我々のモデルは、関係型によって定義される低ランクテンソルの射影行列を用いて、隣り合う実体の表現を強化する。 我々は,グラフ処理に固有の1-k-kエンコーダ法のトレーニング制限を緩和するために,コントラスト学習にインスパイアされたトレーニング戦略を採用する。
  論文  参考訳（メタデータ） (2022-12-11T19:07:34Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
  本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。 二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。 理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
  論文  参考訳（メタデータ） (2021-01-25T13:31:29Z)
• 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)

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。