論文の概要: RSCF: Relation-Semantics Consistent Filter for Entity Embedding of Knowledge Graph
- arxiv url: http://arxiv.org/abs/2505.20813v2
- Date: Wed, 28 May 2025 01:17:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-29 12:33:41.77017
- Title: RSCF: Relation-Semantics Consistent Filter for Entity Embedding of Knowledge Graph
- Title（参考訳）: RSCF:知識グラフのエンティティ埋め込みのための関係セマンティック一貫性フィルタ
- Authors: Junsik Kim, Jinwook Park, Kangil Kim,
- Abstract要約: 我々は、プラグインKGE法、Relation-Semantics Consistent Filter (RSCF)を導入する。
エンティティ変換にはセマンティック一貫性を強化する3つの機能がある。
RSCFは最先端のKGE法を大幅に上回っている。
- 参考スコア（独自算出の注目度）: 5.855718296228381
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In knowledge graph embedding, leveraging relation specific entity transformation has markedly enhanced performance. However, the consistency of embedding differences before and after transformation remains unaddressed, risking the loss of valuable inductive bias inherent in the embeddings. This inconsistency stems from two problems. First, transformation representations are specified for relations in a disconnected manner, allowing dissimilar transformations and corresponding entity embeddings for similar relations. Second, a generalized plug-in approach as a SFBR (Semantic Filter Based on Relations) disrupts this consistency through excessive concentration of entity embeddings under entity-based regularization, generating indistinguishable score distributions among relations. In this paper, we introduce a plug-in KGE method, Relation-Semantics Consistent Filter (RSCF). Its entity transformation has three features for enhancing semantic consistency: 1) shared affine transformation of relation embeddings across all relations, 2) rooted entity transformation that adds an entity embedding to its change represented by the transformed vector, and 3) normalization of the change to prevent scale reduction. To amplify the advantages of consistency that preserve semantics on embeddings, RSCF adds relation transformation and prediction modules for enhancing the semantics. In knowledge graph completion tasks with distance-based and tensor decomposition models, RSCF significantly outperforms state-of-the-art KGE methods, showing robustness across all relations and their frequencies.
- Abstract（参考訳）: 知識グラフの埋め込みでは、関係性固有のエンティティ変換を活用することで、パフォーマンスが著しく向上した。
しかしながら、変換前後の埋め込み差の整合性は未適応のままであり、埋め込みに固有の価値ある帰納バイアスが失われるリスクがある。
この矛盾は2つの問題に起因する。
第一に、変換表現は非連結な方法で関係に対して指定され、類似した関係に対する異種変換と対応する実体埋め込みを可能にする。
第2に、SFBR(Semantic Filter based on Relations)としての一般化されたプラグインアプローチは、エンティティベース正規化の下でのエンティティ埋め込みの過剰な集中を通じて、この一貫性を阻害し、関係性間の区別できないスコア分布を生成する。
本稿では,プラグインKGE法であるRelation-Semantics Consistent Filter (RSCF)を提案する。
そのエンティティ変換には、セマンティック一貫性を強化するための3つの特徴がある。
1) すべての関係にまたがる関係埋め込みの共有アフィン変換。
2) 変換ベクターで表される変化に埋め込まれた実体を付加する根付き実体変換、及び
3)縮小防止のための変更の正常化。
埋め込みのセマンティクスを保存する一貫性の利点を増幅するために、RSCFはセマンティクスを強化するための関係変換と予測モジュールを追加した。
距離ベースおよびテンソル分解モデルを用いた知識グラフ補完タスクにおいて、RSCFは最先端のKGE法を著しく上回り、すべての関係とその周波数の堅牢性を示す。
関連論文リスト
- PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。
本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
論文 参考訳（メタデータ） (2024-09-24T07:57:21Z) - ALF: Adaptive Label Finetuning for Scene Graph Generation [116.59868289196157]
画像中の被写体と物体の関係を予測するためのシーングラフ生成の試み
関係の長期分布は、しばしば粗いラベルの偏りの予測につながり、SGGにおいて大きなハードルとなる。
我々はSGGに1段階のデータ転送パイプラインを導入し、ALF(Adaptive Label Finetuning)と呼ばれ、追加のトレーニングセッションを不要にする。
ALFは一般的なSGG法であるMotifに比べてmR@100が16%改善され、最先端のIETransに比べて計算コストは6%増加した。
論文 参考訳（メタデータ） (2023-12-29T01:37:27Z) - FECANet: Boosting Few-Shot Semantic Segmentation with Feature-Enhanced
Context-Aware Network [48.912196729711624]
Few-shot セマンティックセグメンテーション(Few-shot semantic segmentation)は、新しいクラスの各ピクセルを、わずかに注釈付きサポートイメージで検索するタスクである。
本稿では,クラス間の類似性に起因するマッチングノイズを抑制するために,機能拡張コンテキスト認識ネットワーク(FECANet)を提案する。
さらに,前景と背景の余分な対応関係を符号化する新たな相関再構成モジュールを提案する。
論文 参考訳（メタデータ） (2023-01-19T16:31:13Z) - CATrans: Context and Affinity Transformer for Few-Shot Segmentation [36.802347383825705]
Few-shot segmentation (FSS) は、注釈付きサポート画像が不足している場合に、新しいカテゴリを分割することを目的としている。
本研究では,提案するコンテキスト・アフィニティ変換器を用いて,コンテキスト・アフィニティ情報を効果的に統合する。
提案手法の有効性を実証するために実験を行い,最先端の手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-04-27T10:20:47Z) - TranS: Transition-based Knowledge Graph Embedding with Synthetic
Relation Representation [14.759663752868487]
本稿では,知識グラフ埋め込みのためのトランジションベースの新しい手法TranSを提案する。
従来のスコアリングパターンの単一関係ベクトルを合成関係表現に置き換えることで、これらの問題を効果的かつ効率的に解決することができる。
大規模知識グラフデータセット ogbl-wikikg2 の実験は、我々のモデルが最先端の結果を達成することを示す。
論文 参考訳（メタデータ） (2022-04-18T16:55:25Z) - Semantic Correspondence with Transformers [68.37049687360705]
本稿では,変換器を用いたコストアグリゲーション(CAT)を提案し,意味論的に類似した画像間の密接な対応を見出す。
初期相関マップと多レベルアグリゲーションを曖昧にするための外観親和性モデリングを含む。
提案手法の有効性を示す実験を行い,広範囲にわたるアブレーション研究を行った。
論文 参考訳（メタデータ） (2021-06-04T14:39:03Z) - A Trigger-Sense Memory Flow Framework for Joint Entity and Relation
Extraction [5.059120569845976]
結合エンティティと関係抽出のためのTriMF(Trigger-Sense Memory Flow Framework)を提案する。
エンティティ認識と関係抽出タスクで学習したカテゴリ表現を記憶するためのメモリモジュールを構築する。
また,エンティティ認識と関係抽出の双方向インタラクションを強化するために,多レベルメモリフロー注目機構を設計する。
論文 参考訳（メタデータ） (2021-01-25T16:24:04Z) - Learning to Decouple Relations: Few-Shot Relation Classification with
Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。
一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。
一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
論文 参考訳（メタデータ） (2020-10-21T11:07:53Z) - RatE: Relation-Adaptive Translating Embedding for Knowledge Graph
Completion [51.64061146389754]
複素空間における新たな重み付き積の上に構築された関係適応変換関数を提案する。
次に、関係適応型翻訳埋め込み(RatE)アプローチを示し、各グラフを3倍にスコアする。
論文 参考訳（メタデータ） (2020-10-10T01:30:30Z) - TransINT: Embedding Implication Rules in Knowledge Graphs with
Isomorphic Intersections of Linear Subspaces [10.79392871079383]
本稿では,知識グラフのための新しい埋め込み手法であるTransINTを提案する。
TransINT は(関係によって成される)実体を、関係含意的に同型に包含順序付けられたベクトルの連続集合に写す。
ベンチマークデータセットでは、リンク予測とトリプル分類において有意なマージンを持つ最先端のルール統合埋め込み手法よりも優れていた。
論文 参考訳（メタデータ） (2020-07-01T06:45:27Z)
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。