論文の概要: Robust Knowledge Graph Embedding via Denoising

• arxiv url: http://arxiv.org/abs/2505.18171v1
• Date: Wed, 14 May 2025 10:59:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-01 23:16:01.426586
• Title: Robust Knowledge Graph Embedding via Denoising
• Title（参考訳）: デノイングによるロバストな知識グラフ埋め込み
• Authors: Tengwei Song, Xudong Ma, Yang Liu, Jie Luo,
• Abstract要約: 雑音三重項上でのKGEモデルの堅牢性を高める新しいフレームワークであるRobust Knowledge Graph EmbeddingをDenoising経由で導入する。 本稿では, 従来のKGE手法と比較して, 摂動型エンティティの埋め込みに直面する場合と比較して, 常に優れた性能を示すことを示す。
• 参考スコア（独自算出の注目度）: 8.525389212388019
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We focus on obtaining robust knowledge graph embedding under perturbation in the embedding space. To address these challenges, we introduce a novel framework, Robust Knowledge Graph Embedding via Denoising, which enhances the robustness of KGE models on noisy triples. By treating KGE methods as energy-based models, we leverage the established connection between denoising and score matching, enabling the training of a robust denoising KGE model. Furthermore, we propose certified robustness evaluation metrics for KGE methods based on the concept of randomized smoothing. Through comprehensive experiments on benchmark datasets, our framework consistently shows superior performance compared to existing state-of-the-art KGE methods when faced with perturbed entity embedding.
• Abstract（参考訳）: 組込み空間における摂動下での堅牢な知識グラフの組込みに焦点をあてる。 これらの課題に対処するために、我々は、ノイズ三重項上のKGEモデルの堅牢性を高める新しいフレームワーク、Robust Knowledge Graph EmbeddingをDenoising経由で導入する。 KGE の手法をエネルギーモデルとして扱うことにより,より強固な KGE モデルのトレーニングを可能にするために,デノナイジングとスコアマッチングの確立した接続を利用する。 さらに,ランダムな平滑化の概念に基づくKGE手法のロバスト性評価指標を提案する。 ベンチマークデータセットに関する総合的な実験を通じて、我々のフレームワークは、乱れたエンティティの埋め込みに直面した場合の既存の最先端のKGE手法と比較して、常に優れた性能を示す。

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)
• From Latent to Lucid: Transforming Knowledge Graph Embeddings into Interpretable Structures with KGEPrisma [4.2427000279700025]
  本稿では,知識グラフ埋め込み(KGE)モデルに適した,ポストホックでローカルな説明可能なAI手法を提案する。 提案手法は,KGEモデルによって符号化された潜在表現を直接デコードし,埋め込みの滑らかさを活用する。 シンボリック構造を三重項の形で同定することにより,これらの知見を人間に理解可能なシンボリック・ルールや事実に変換する。
  論文  参考訳（メタデータ） (2024-06-03T19:54:11Z)
• Model-based Subsampling for Knowledge Graph Completion [34.15053303169282]
  サブサンプリングは、知識グラフデータセットのスパーシリティに起因する過度な適合を低減するために、知識グラフ埋め込み(KGE)に有効である。 モデルベースサブサンプリング(MBS)とMIX(Mixed Subsampling)を提案し,その出現確率をKGEモデルの予測により推定する。
  論文  参考訳（メタデータ） (2023-09-17T15:12:50Z)
• 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)
• CausE: Towards Causal Knowledge Graph Embedding [13.016173217017597]
  知識グラフ埋め込み(KGE)は、知識グラフ(KG)の連続ベクトル空間への実体と関係を表現することに焦点を当てている。 我々はKGEの新しいパラダイムを因果関係と非絡み込みの文脈で構築する。 本稿では,CausE(Causality Enhanced Knowledge Graph Embedding)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-21T14:25:39Z)
• 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 Self-Refinement Strategy for Noise Reduction in Grammatical Error Correction [54.569707226277735]
  既存の文法的誤り訂正(GEC)のアプローチは、手動で作成したGECデータセットによる教師あり学習に依存している。 誤りが不適切に編集されたり、修正されなかったりする「ノイズ」は無視できないほどある。 本稿では,既存のモデルの予測整合性を利用して,これらのデータセットをデノマイズする自己補充手法を提案する。
  論文  参考訳（メタデータ） (2020-10-07T04:45:09Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。