論文の概要: Fast variational knowledge graph embedding

• arxiv url: http://arxiv.org/abs/2507.02472v1
• Date: Thu, 03 Jul 2025 09:30:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:16.073622
• Title: Fast variational knowledge graph embedding
• Title（参考訳）: 高速変動知識グラフ埋め込み
• Authors: Pulak Ranjan Giri, Mori Kurokawa, Kazuhiro Saito,
• Abstract要約: 量子コンピュータは、KGの埋め込みプロセスの高速化に役立つ。 重ね合わせにおいて、KGの複数の要素をトレーニングすることで、さらなる量子優位性を利用する。
• 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: Embedding of a knowledge graph(KG) entities and relations in the form of vectors is an important aspect for the manipulation of the KG database for several downstream tasks, such as link prediction, knowledge graph completion, and recommendation. Because of the growing size of the knowledge graph databases, it has become a daunting task for the classical computer to train a model efficiently. Quantum computer can help speedup the embedding process of the KGs by encoding the entities into a variational quantum circuit of polynomial depth. Usually, the time complexity for such variational circuit-dependent quantum classical algorithms for each epoch is $\mathcal{O}(N \mbox{poly}(\log M))$, where $N$ is number of elements in the knowledge graph and $M$ is the number of features of each entities of the knowledge graph. In this article we exploit additional quantum advantage by training multiple elements of KG in superpositions, thereby reducing the computing time further for the knowledge graph embedding model.
• Abstract（参考訳）: 知識グラフ(KG)の実体の埋め込みとベクトルの形での関係性は、リンク予測、知識グラフ補完、レコメンデーションなどの下流タスクのためのKGデータベースの操作において重要な側面である。 知識グラフデータベースのサイズが増大しているため、従来のコンピュータがモデルを効率的に訓練する作業となっている。 量子コンピュータは、エンティティを多項式深さの変分量子回路に符号化することで、KGの埋め込みプロセスを高速化する。 通常、各エポックに対するそのような変動回路依存の量子古典アルゴリズムの時間複雑性は$\mathcal{O}(N \mbox{poly}(\log M))$であり、$N$は知識グラフの要素の数であり、$M$は知識グラフの各エンティティの特徴の数である。 本稿では、重ね合わせにおけるKGの複数の要素を訓練することにより、付加的な量子優位性を生かし、知識グラフ埋め込みモデルのための計算時間を短縮する。

関連論文リスト

• Quantum negative sampling strategy for knowledge graph embedding with variational circuit [0.0]
  知識グラフ埋め込みのためのハイブリッド量子古典モデルは、変分量子回路を訓練する研究がなされている。 本稿では,量子重ね合わせを利用した負のサンプリング戦略について検討し,知識グラフデータベースを用いてモデルの性能評価を行う。
  論文  参考訳（メタデータ） (2025-02-25T08:46:27Z)
• Many-body quantum resources of graph states [0.0]
  複素多体系の非古典的相関を特徴づけることは量子技術の重要な部分である。 我々は、辺を持つ星グラフ状態、ターアングラフ、$r$ary木グラフ、および正方形格子クラスタ状態の4つの位相を考える。 グラフ状態における多体絡み合う深さは、局所変換やグラフ同型では同値でない146$クラスの最大8$ qubitsで特徴づける。
  論文  参考訳（メタデータ） (2024-10-16T12:05:19Z)
• Graph Mixture of Experts: Learning on Large-Scale Graphs with Explicit Diversity Modeling [60.0185734837814]
  グラフニューラルネットワーク(GNN)は、グラフデータからの学習に広く応用されている。 GNNの一般化能力を強化するため、グラフ強化のような技術を用いて、トレーニンググラフ構造を増強することが慣例となっている。 本研究では,GNNにMixture-of-Experts(MoE)の概念を導入する。
  論文  参考訳（メタデータ） (2023-04-06T01:09:36Z)
• MEKER: Memory Efficient Knowledge Embedding Representation for Link Prediction and Question Answering [65.62309538202771]
  知識グラフ(KG)は、事実を象徴的に構造化した記憶装置である。 KG埋め込みには、実世界の暗黙的な情報を必要とするNLPタスクで使用される簡潔なデータが含まれている。 リンク予測タスクとKGに基づく質問応答においてSOTAに比較可能な性能をもたらすメモリ効率のよいKG埋め込みモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:47:03Z)
• From Quantum Graph Computing to Quantum Graph Learning: A Survey [86.8206129053725]
  まず、量子力学とグラフ理論の相関関係について、量子コンピュータが有用な解を生成できることを示す。 本稿では,その実践性と適用性について,一般的なグラフ学習手法について概説する。 今後の研究の触媒として期待される量子グラフ学習のスナップショットを提供する。
  論文  参考訳（メタデータ） (2022-02-19T02:56:47Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• SMORE: Knowledge Graph Completion and Multi-hop Reasoning in Massive Knowledge Graphs [147.73127662757335]
  我々は、知識グラフ(KG)におけるシングルホップおよびマルチホップ推論のための最初の汎用フレームワークであるスケーラブルなマルチホップ推論(SMORE)を提案する。 シングルマシンのSMOREはFreebase KG(86Mエンティティ、338Mエッジ)でマルチホップ推論を行うことができる。 SMOREは、従来のマルチホップKGフレームワークよりもスループット(トレーニング速度)を、最小のGPUメモリ要件で2.2倍向上させる。
  論文  参考訳（メタデータ） (2021-10-28T05:02:33Z)
• Quantum machine learning of graph-structured data [0.38581147665516596]
  グラフ構造化量子データについて検討し、量子ニューラルネットワークによる量子機械学習の実施方法について述べる。 我々は、この追加グラフ構造を体系的に利用して量子学習アルゴリズムを改善する方法について説明する。
  論文  参考訳（メタデータ） (2021-03-19T14:39:19Z)
• Quantum Machine Learning Algorithm for Knowledge Graphs [35.149125599812706]
  暗黙の知識は、知識グラフから生成されたテンソル表現をモデル化し再構成することによって推測することができる。 本稿では,知識グラフのモデリングを高速化するために,量子資源をどのように活用するかを検討する。
  論文  参考訳（メタデータ） (2020-01-04T13:26:29Z)

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。