論文の概要: GeoRDF2Vec Learning Location-Aware Entity Representations in Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2504.17099v1
• Date: Wed, 23 Apr 2025 21:17:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.175846
• Title: GeoRDF2Vec Learning Location-Aware Entity Representations in Knowledge Graphs
• Title（参考訳）: GeoRDF2Vec学習による知識グラフにおける位置認識エンティティ表現
• Authors: Martin Boeckling, Heiko Paulheim, Sarah Detzler,
• Abstract要約: 位置認識によるエンティティの埋め込みを学習するために幾何学的情報を含むRDF2Vecの変種を導入する。 我々のアプローチは、グラフを地理的ノードから浸水させることで、各到達可能なノードが考慮されるように、異なるノードを拡張する。
• 参考スコア（独自算出の注目度）: 1.6658912537684454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many knowledge graphs contain a substantial number of spatial entities, such as cities, buildings, and natural landmarks. For many of these entities, exact geometries are stored within the knowledge graphs. However, most existing approaches for learning entity representations do not take these geometries into account. In this paper, we introduce a variant of RDF2Vec that incorporates geometric information to learn location-aware embeddings of entities. Our approach expands different nodes by flooding the graph from geographic nodes, ensuring that each reachable node is considered. Based on the resulting flooded graph, we apply a modified version of RDF2Vec that biases graph walks using spatial weights. Through evaluations on multiple benchmark datasets, we demonstrate that our approach outperforms both non-location-aware RDF2Vec and GeoTransE.
• Abstract（参考訳）: 多くの知識グラフには、都市、建物、自然のランドマークなど、かなりの数の空間的実体が含まれている。 これらのエンティティの多くでは、正確なジオメトリは知識グラフに格納される。 しかし、エンティティ表現を学習するための既存のアプローチのほとんどは、これらのジオメトリを考慮に入れていない。 本稿では,位置認識による実体の埋め込みを学習するための幾何学的情報を含むRDF2Vecの変種を紹介する。 我々のアプローチは、グラフを地理的ノードから浸水させることで、各到達可能なノードが考慮されるように、異なるノードを拡張する。 得られた浸水グラフに基づいて、空間重みを用いてグラフ歩行をバイアスするRDF2Vecの修正版を適用する。 複数のベンチマークデータセットの評価を通じて,本手法が非位置認識RDF2VecとGeoTransEの両方より優れていることを示す。

関連論文リスト

• Retrieval-Augmented Generation with Graphs (GraphRAG) [84.29507404866257]
  Retrieval-augmented Generation (RAG) は、追加情報を取得することによって下流タスクの実行を向上させる強力な技術である。 グラフは、その固有の「エッジで接続されたノード」の性質により、巨大な異種情報と関係情報を符号化する。 従来のRAGとは異なり、多種多様な形式とドメイン固有の関係知識のようなグラフ構造化データのユニークさは、異なるドメインでGraphRAGを設計する際、ユニークで重要な課題を生じさせる。
  論文  参考訳（メタデータ） (2024-12-31T06:59:35Z)
• DA-MoE: Addressing Depth-Sensitivity in Graph-Level Analysis through Mixture of Experts [70.21017141742763]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを処理することで人気を集めている。 既存のメソッドは通常、固定数のGNNレイヤを使用して、すべてのグラフの表現を生成する。 本稿では,GNNに2つの改良を加えたDA-MoE法を提案する。
  論文  参考訳（メタデータ） (2024-11-05T11:46:27Z)
• Grid-Based Projection of Spatial Data into Knowledge Graphs [1.3723120574076129]
  実世界の実体の空間的特性を知識グラフにエンコードできることを示す。 本稿では,各街路セグメントを個別に把握する従来の手法から,知識グラフにおける街路ネットワークを表現する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-04T17:35:41Z)
• A Planet Scale Spatial-Temporal Knowledge Graph Based On OpenStreetMap And H3 Grid [1.6658912537684454]
  本稿では,OpenStreetMapデータの時空間知識グラフへの惑星スケール変換を支援するフレームワークを提案する。 OpenStreetMapデータに加えて、異なるOpenStreetMapを個々のh3グリッドセルに並べる。
  論文  参考訳（メタデータ） (2024-05-24T09:22:20Z)
• Learning Object Placement via Dual-path Graph Completion [28.346027247882354]
  オブジェクト配置は、適切な位置とサイズで背景画像の上に前景オブジェクトを配置することを目的としている。 本研究では,オブジェクト配置をグラフ補完問題として扱い,新しいグラフ補完モジュール(GCM)を提案する。 前景オブジェクトは、このグラフの合理的な場所に挿入されるべき特別なノードとしてエンコードされる。
  論文  参考訳（メタデータ） (2022-07-23T08:39:39Z)
• Graph Neural Networks with Learnable Structural and Positional Representations [83.24058411666483]
  任意のグラフの大きな問題は、ノードの標準位置情報の欠如である。 ノードの位置ノード(PE)を導入し、Transformerのように入力層に注入する。 両方のGNNクラスで学習可能なPEを考えると、分子データセットのパフォーマンスは2.87%から64.14%に向上する。
  論文  参考訳（メタデータ） (2021-10-15T05:59:15Z)
• Learning Spatial Context with Graph Neural Network for Multi-Person Pose Grouping [71.59494156155309]
  イメージベース多人数ポーズ推定のためのボトムアップ手法は,キーポイント検出とグループ化の2段階からなる。 本研究では,グラフ分割問題としてグループ化タスクを定式化し,グラフニューラルネットワーク(gnn)を用いて親和性行列を学習する。 学習された幾何学に基づく親和性は、強固なキーポイント結合を達成するために外観に基づく親和性とさらに融合する。
  論文  参考訳（メタデータ） (2021-04-06T09:21:14Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• node2coords: Graph Representation Learning with Wasserstein Barycenters [59.07120857271367]
  グラフの表現学習アルゴリズムである node2coords を導入する。 低次元空間を同時に学習し、その空間内のノードを座標する。 実験の結果,node2coordで学習した表現は解釈可能であることがわかった。
  論文  参考訳（メタデータ） (2020-07-31T13:14:25Z)
• SE-KGE: A Location-Aware Knowledge Graph Embedding Model for Geographic Question Answering and Spatial Semantic Lifting [9.949690056661218]
  位置認識型KG埋め込みモデルSE-KGEを提案する。 点座標や地理的実体の境界ボックスなどの空間情報をKG埋め込み空間にエンコードする。 また、SE-KGEの性能を評価するために、地理知識グラフと、DBGeoと呼ばれる地理的問合せ対のセットを構築した。
  論文  参考訳（メタデータ） (2020-04-25T17:46:31Z)
• Geom-GCN: Geometric Graph Convolutional Networks [15.783571061254847]
  本稿では,この2つの弱点を克服するために,グラフニューラルネットワークのための新しい幾何集約手法を提案する。 提案したアグリゲーションスキームは置換不変であり、ノード埋め込み、構造近傍、二レベルアグリゲーションという3つのモジュールから構成される。 また,このスキームをGeom-GCNと呼ばれるグラフ畳み込みネットワークに実装し,グラフ上でトランスダクティブ学習を行う。
  論文  参考訳（メタデータ） (2020-02-13T00:03:09Z)

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。