論文の概要: QuatE-D: A Distance-Based Quaternion Model for Knowledge Graph Embedding

• arxiv url: http://arxiv.org/abs/2504.13983v1
• Date: Fri, 18 Apr 2025 07:54:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 08:01:54.665879
• Title: QuatE-D: A Distance-Based Quaternion Model for Knowledge Graph Embedding
• Title（参考訳）: QuatE-D:知識グラフ埋め込みのための距離ベース四元数モデル
• Authors: Hamideh-Sadat Fazael-Ardakani, Hamid Soltanian-Zadeh,
• Abstract要約: QuatE-Dは、従来の内積法ではなく、距離に基づくスコアリング機能を利用する、新しい四元数モデルである。 実験結果から,QuatE-Dは効率のよいパラメータ化を維持しつつ,競争性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph embedding (KGE) methods aim to represent entities and relations in a continuous space while preserving their structural and semantic properties. Quaternion-based KGEs have demonstrated strong potential in capturing complex relational patterns. In this work, we propose QuatE-D, a novel quaternion-based model that employs a distance-based scoring function instead of traditional inner-product approaches. By leveraging Euclidean distance, QuatE-D enhances interpretability and provides a more flexible representation of relational structures. Experimental results demonstrate that QuatE-D achieves competitive performance while maintaining an efficient parameterization, particularly excelling in Mean Rank reduction. These findings highlight the effectiveness of distance-based scoring in quaternion embeddings, offering a promising direction for knowledge graph completion.
• Abstract（参考訳）: 知識グラフ埋め込み(KGE)法は、構造的および意味的特性を保持しつつ、連続空間における実体と関係を表現することを目的としている。 四元数に基づくKGEは、複雑な関係パターンをキャプチャする強力な可能性を示している。 本研究では,従来の内積法ではなく,距離に基づくスコアリング関数を用いた新しい四元数モデルQuatE-Dを提案する。 ユークリッド距離を利用することで、QuatE-Dは解釈可能性を高め、関係構造のより柔軟な表現を提供する。 実験結果から,QuatE-Dは効率のよいパラメータ化を維持しつつ,競争性能が向上し,平均ランクの低減に優れることが示された。 これらの結果は,四元数埋め込みにおける距離に基づくスコアリングの有効性を強調し,知識グラフの完成に向けて有望な方向を提供する。

関連論文リスト

• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• CriDiff: Criss-cross Injection Diffusion Framework via Generative Pre-train for Prostate Segmentation [60.61972883059688]
  CridiffはCrisscross Injection Strategy(CIS)とGenerative Pre-train(GP)アプローチによる2段階の機能注入フレームワークである。 CISでは,複数レベルのエッジ特徴と非エッジ特徴を効果的に学習するために,並列コンディショナーを2つ提案した。 GPアプローチは、追加パラメータを追加することなく、画像特徴と拡散モデルとの矛盾を緩和する。
  論文  参考訳（メタデータ） (2024-06-20T10:46:50Z)
• 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)
• Manifold-Aware Self-Training for Unsupervised Domain Adaptation on Regressing 6D Object Pose [69.14556386954325]
  視覚的回帰における合成データと実データとのドメインギャップは,グローバルな特徴アライメントと局所的な改善によって橋渡しされる。 提案手法は明示的な自己教師付き多様体正規化を取り入れ,領域間の一貫した累積的対象依存性を明らかにする。 暗黙的ニューラルファンクションを学習して、最も近いクラスビンへの相対的な方向と目標の距離を推定し、ターゲット分類予測を洗練することを目的としている。
  論文  参考訳（メタデータ） (2023-05-18T08:42:41Z)
• Quaternion-valued Correlation Learning for Few-Shot Semantic Segmentation [33.88445464404075]
  Few-shot segmentation (FSS)は、少数のサンプルしか与えられていないクラスをセグメントすることを目的としている。 相関学習に関する四元数視点を導入し、新しい四元数評価相関学習ネットワーク(QCLNet)を提案する。 我々のQCLNetは超複素値ネットワークとして定式化され、四元数値畳み込みを用いてクエリ部分空間の外部関係を探索する四元数領域の相関テンソルを表す。
  論文  参考訳（メタデータ） (2023-05-12T06:56:22Z)
• Quaternion-Based Graph Convolution Network for Recommendation [45.005089037955536]
  Graph Convolution Network (GCN) はリコメンデータシステムで広く利用されている。 GCNは実世界でよく見られるノイズや不完全グラフに弱い。 本稿では,Queternion-based Graph Convolution Network (QGCN)レコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-11-20T07:42:18Z)
• 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)
• A Quaternion-Valued Variational Autoencoder [15.153617649974263]
  可変オートエンコーダ(VAE)は、入力の潜在表現を学習することで、生成過程をモデル化する能力を証明している。 四元数領域で定義された新しいVAEを提案し、四元数代数の特性を利用して性能を向上させる。
  論文  参考訳（メタデータ） (2020-10-22T12:33:42Z)
• QuatRE: Relation-Aware Quaternions for Knowledge Graph Embeddings [19.386604643035145]
  本稿では,知識グラフの実体と関係性に関する四元数埋め込みを学習するための簡単な埋め込みモデルを提案する。 我々のモデルは、ハミルトン積と四元数空間内の関係が与えられた頭と尾の実体の間の相関性を高めることを目的としている。
  論文  参考訳（メタデータ） (2020-09-26T04:44:25Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。