Fugu-MT 論文翻訳(概要): Embedding Method for Knowledge Graph with Densely Defined Ontology

論文の概要: Embedding Method for Knowledge Graph with Densely Defined Ontology

arxiv url: http://arxiv.org/abs/2504.02889v1
Date: Wed, 02 Apr 2025 14:43:47 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-07 14:47:35.063855
Title: Embedding Method for Knowledge Graph with Densely Defined Ontology
Title（参考訳）: オントロジーを巧みに定義した知識グラフの埋め込み法
Authors: Takanori Ugai,
Abstract要約: そこで本研究では,プロパティ間の関係を組み込んだ知識グラフを用いたKGEモデルTransUを提案する。本稿では,標準データセットと実用データセットを用いた実験結果について述べる。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Knowledge graph embedding (KGE) is a technique that enhances knowledge graphs by addressing incompleteness and improving knowledge retrieval. A limitation of the existing KGE models is their underutilization of ontologies, specifically the relationships between properties. This study proposes a KGE model, TransU, designed for knowledge graphs with well-defined ontologies that incorporate relationships between properties. The model treats properties as a subset of entities, enabling a unified representation. We present experimental results using a standard dataset and a practical dataset.
Abstract（参考訳）: 知識グラフ埋め込み(KGE)は、不完全性に対処し、知識検索を改善することによって知識グラフを強化する技術である。既存のKGEモデルの制限は、オントロジー、特に性質間の関係の未利用化である。本研究では,プロパティ間の関係を包含するオントロジーを持つ知識グラフを対象としたKGEモデルTransUを提案する。このモデルはプロパティをエンティティのサブセットとして扱い、統一された表現を可能にする。本稿では,標準データセットと実用データセットを用いた実験結果について述べる。

関連論文リスト

DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文参考訳（メタデータ） (2024-01-28T06:43:13Z)
Graph Relation Distillation for Efficient Biomedical Instance Segmentation [80.51124447333493]
本稿では,効率的なバイオメディカル・インスタンス・セグメンテーションのためのグラフ関係蒸留手法を提案する。画像内レベルと画像間レベルの両方に展開する2つのグラフ蒸留方式を導入する。多くのバイオメディカルデータセットの実験結果から,本手法の有効性が検証された。
論文参考訳（メタデータ） (2024-01-12T04:41:23Z)
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)
Knowledge Graph Contrastive Learning Based on Relation-Symmetrical Structure [36.507635518425744]
関係対称構造に基づく知識グラフコントラスト学習フレームワークKGE-SymCLを提案する。我々のフレームワークは、KGEモデルの識別能力を高めるために、KGの対称構造情報をマイニングする。
論文参考訳（メタデータ） (2022-11-19T16:30:29Z)
KGLM: Integrating Knowledge Graph Structure in Language Models for Link Prediction [0.0]
我々は、異なるエンティティと関係型を区別することを学ぶ新しいエンティティ/リレーション埋め込み層を導入する。知識グラフから抽出したトリプルを用いて、この追加埋め込み層を用いて言語モデルをさらに事前学習し、続いて標準微調整フェーズにより、ベンチマークデータセット上のリンク予測タスクに対して、新しい最先端のパフォーマンスが設定されることを示す。
論文参考訳（メタデータ） (2022-11-04T20:38:12Z)
A Representation Learning Framework for Property Graphs [33.04077644004356]
グラフ埋め込み処理にノード特性とエッジ特性を組み込んだグラフ表現学習フレームワークであるPGEを提案する。実世界のデータセット上でのノード分類やリンク予測などのベンチマークアプリケーションにおいて,PGEが最先端のグラフ埋め込み手法よりも優れた埋め込み結果が得られることを示す。
論文参考訳（メタデータ） (2022-06-27T10:36:57Z)
Jointly Learning Knowledge Embedding and Neighborhood Consensus with Relational Knowledge Distillation for Entity Alignment [9.701081498310165]
エンティティアライメントは、異なる知識グラフから異種知識を統合することを目的としています。近年の研究では、知識グラフを初めて学習し、エンティティアライメントを実行することで、埋め込みに基づく手法が採用されている。本稿では,知識蒸留機能を備えたグラフ畳み込みネットワーク(GCN)モデルを提案する。
論文参考訳（メタデータ） (2022-01-25T02:47:14Z)
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)
Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
論文参考訳（メタデータ） (2020-02-17T03:33:41Z)

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。