論文の概要: SMART: Relation-Aware Learning of Geometric Representations for Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2507.13001v1
- Date: Thu, 17 Jul 2025 11:18:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-18 20:10:24.466359
- Title: SMART: Relation-Aware Learning of Geometric Representations for Knowledge Graphs
- Title（参考訳）: SMART:知識グラフのための幾何学的表現関係認識学習
- Authors: Kossi Amouzouvi, Bowen Song, Andrea Coletta, Luigi Bellomarini, Jens Lehmann, Sahar Vahdati,
- Abstract要約: 本稿では,各関係が幾何変換にどのように適合するかを評価する枠組みを提案する。
このランキングに基づいて、モデルは、(1)各関係にベストマッチ変換を割り当てるか、(2)すべての関係に適用される1つの変換タイプを選択するために過半数投票を使用する。
- 参考スコア（独自算出の注目度）: 7.612535740166837
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge graph representation learning approaches provide a mapping between symbolic knowledge in the form of triples in a knowledge graph (KG) and their feature vectors. Knowledge graph embedding (KGE) models often represent relations in a KG as geometric transformations. Most state-of-the-art (SOTA) KGE models are derived from elementary geometric transformations (EGTs), such as translation, scaling, rotation, and reflection, or their combinations. These geometric transformations enable the models to effectively preserve specific structural and relational patterns of the KG. However, the current use of EGTs by KGEs remains insufficient without considering relation-specific transformations. Although recent models attempted to address this problem by ensembling SOTA baseline models in different ways, only a single or composite version of geometric transformations are used by such baselines to represent all the relations. In this paper, we propose a framework that evaluates how well each relation fits with different geometric transformations. Based on this ranking, the model can: (1) assign the best-matching transformation to each relation, or (2) use majority voting to choose one transformation type to apply across all relations. That is, the model learns a single relation-specific EGT in low dimensional vector space through an attention mechanism. Furthermore, we use the correlation between relations and EGTs, which are learned in a low dimension, for relation embeddings in a high dimensional vector space. The effectiveness of our models is demonstrated through comprehensive evaluations on three benchmark KGs as well as a real-world financial KG, witnessing a performance comparable to leading models
- Abstract（参考訳）: 知識グラフ表現学習アプローチは、知識グラフ(KG)における三重項の形の記号的知識と特徴ベクトルの間のマッピングを提供する。
知識グラフ埋め込み(KGE)モデルは、しばしばKG内の関係を幾何学的変換として表す。
最先端(SOTA)のほとんどのKGEモデルは、翻訳、スケーリング、回転、反射などの基本的な幾何学変換(EGT)から派生している。
これらの幾何学的変換により、モデルはKGの特定の構造および関係パターンを効果的に保存することができる。
しかし、現在のKGEによるEGTの使用は、関係性固有の変換を考慮せずには不十分である。
最近のモデルは、異なる方法でSOTAベースラインモデルを組み立てることによってこの問題に対処しようとしたが、全ての関係を表現するために、そのようなベースラインによって単一のまたは複合的な幾何学変換のみが使用される。
本稿では,各関係が幾何変換にどのように適合するかを評価する枠組みを提案する。
このランキングに基づいて、モデルは、(1)各関係にベストマッチ変換を割り当てるか、(2)すべての関係に適用される1つの変換タイプを選択するために過半数投票を使用する。
すなわち,低次元ベクトル空間における単一関係固有EGTをアテンション機構により学習する。
さらに、低次元で学習される関係とEGTの関係を高次元ベクトル空間における関係埋め込みに用いた。
我々のモデルの有効性は、3つのベンチマークKGと実世界の財務KGの総合的な評価によって実証され、主要なモデルに匹敵する性能が見られた。
関連論文リスト
- Knowledge Graph Embeddings: A Comprehensive Survey on Capturing Relation Properties [5.651919225343915]
知識グラフ埋め込み(KGE)技術は、記号的知識グラフを数値表現に変換する上で重要な役割を果たしている。
本稿では、一対一、一対多、多対一、多対多といった関係に固有の複素写像特性について述べる。
我々は、KGEにマルチモーダル情報を統合すること、規則付き関係パターンモデリングを強化すること、動的KGE設定における関係特性を捉えるモデルを開発することなど、革新的なアイデアを探求する。
論文 参考訳（メタデータ） (2024-10-16T08:54:52Z) - A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications [71.809127869349]
本稿では、幾何学的メッセージパッシングの観点から、既存のモデルの統一的なビューを提供するデータ構造として幾何学的グラフを定式化する。
また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
論文 参考訳（メタデータ） (2024-03-01T12:13:04Z) - 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) - Geometric Clifford Algebra Networks [53.456211342585824]
本稿では,動的システムのモデリングのためのGeometric Clifford Algebra Networks (GCANs)を提案する。
GCANは幾何学的(クリフォード)代数を用いた対称性群変換に基づいている。
論文 参考訳（メタデータ） (2023-02-13T18:48:33Z) - Transformer-based Dual Relation Graph for Multi-label Image Recognition [56.12543717723385]
本稿では,トランスフォーマーをベースとしたデュアルリレーショナル学習フレームワークを提案する。
相関の2つの側面、すなわち構造関係グラフと意味関係グラフについて検討する。
提案手法は,2つのポピュラーなマルチラベル認識ベンチマークにおいて,最先端性を実現する。
論文 参考訳（メタデータ） (2021-10-10T07:14:52Z) - BiQUE: Biquaternionic Embeddings of Knowledge Graphs [9.107095800991333]
既存の知識グラフ埋め込み(KGE)は、コンパクトにマルチリレーショナル知識グラフ(KG)を符号化する
KGEモデルでは、KGの多元関係を完全にカバーするために、複数の幾何変換を統一することが重要である。
複数の幾何変換を統合するために二元数を用いた新しいモデルであるBiQUEを提案する。
論文 参考訳（メタデータ） (2021-09-29T13:05:32Z) - Self-supervised Geometric Perception [96.89966337518854]
自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。
また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
論文 参考訳（メタデータ） (2021-03-04T15:34:43Z) - Motif Learning in Knowledge Graphs Using Trajectories Of Differential
Equations [14.279419014064047]
知識グラフ埋め込み(KGE)は、リンク予測タスクで有望なパフォーマンスを示している。
多くのKGEは平坦な幾何学を使い、複雑な構造を保存することができない。
正規微分方程式(ODE)の軌道上にKGのノードを埋め込む神経微分KGEを提案する。
論文 参考訳（メタデータ） (2020-10-13T20:53:17Z) - Knowledge Graph Embeddings in Geometric Algebras [14.269860621624392]
幾何学代数に基づく新しいKG埋め込みフレームワークGeomEを紹介する。
我々のフレームワークは、最先端のKG埋め込みアプローチを仮定し、様々なキー関係パターンをモデル化する能力に有利である。
複数のベンチマーク知識グラフの実験結果から,提案手法はリンク予測のための既存の最先端モデルよりも優れていることが示された。
論文 参考訳（メタデータ） (2020-10-02T13:36:24Z) - DensE: An Enhanced Non-commutative Representation for Knowledge Graph
Embedding with Adaptive Semantic Hierarchy [4.607120217372668]
本研究では,関係の複雑な構成パターンをモデル化するための新しい知識グラフ埋め込み手法DensEを開発した。
本手法は,SO(3)群に基づく回転作用素と3次元ユークリッド空間におけるスケーリング作用素に各関係を分解する。
複数のベンチマーク知識グラフの実験結果から、DensEはリンク予測の欠如に対して現在の最先端モデルよりも優れていた。
論文 参考訳（メタデータ） (2020-08-11T06:45:50Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z)
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。