論文の概要: Enhancing PyKEEN with Multiple Negative Sampling Solutions for Knowledge Graph Embedding Models
- arxiv url: http://arxiv.org/abs/2508.05587v1
- Date: Thu, 07 Aug 2025 17:24:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-08 18:59:39.968895
- Title: Enhancing PyKEEN with Multiple Negative Sampling Solutions for Knowledge Graph Embedding Models
- Title（参考訳）: 知識グラフ埋め込みモデルのための複数負サンプリングソリューションによるPyKEENの強化
- Authors: Claudia d'Amato, Ivan Diliso, Nicola Fanizzi, Zafar Saeed,
- Abstract要約: 負のアサーションがない場合、埋め込みモデルは通常、様々な負のサンプリング戦略を用いて人工的に生成される。
知識グラフの埋め込みのための人気のあるライブラリのほとんどは、基本的な戦略のみをサポートし、高度なソリューションを欠いている。
我々はKGEフレームワークであるPyKEENの拡張を提供し、いくつかの高度な負のサンプルを統合しています。
- 参考スコア（独自算出の注目度）: 0.19285000127136376
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Embedding methods have become popular due to their scalability on link prediction and/or triple classification tasks on Knowledge Graphs. Embedding models are trained relying on both positive and negative samples of triples. However, in the absence of negative assertions, these must be usually artificially generated using various negative sampling strategies, ranging from random corruption to more sophisticated techniques which have an impact on the overall performance. Most of the popular libraries for knowledge graph embedding, support only basic such strategies and lack advanced solutions. To address this gap, we deliver an extension for the popular KGE framework PyKEEN that integrates a suite of several advanced negative samplers (including both static and dynamic corruption strategies), within a consistent modular architecture, to generate meaningful negative samples, while remaining compatible with existing PyKEEN -based workflows and pipelines. The developed extension not only enhancesPyKEEN itself but also allows for easier and comprehensive development of embedding methods and/or for their customization. As a proof of concept, we present a comprehensive empirical study of the developed extensions and their impact on the performance (link prediction tasks) of different embedding methods, which also provides useful insights for the design of more effective strategies
- Abstract（参考訳）: 埋め込み手法はリンク予測のスケーラビリティや知識グラフの3つの分類タスクによって人気を博している。
埋め込みモデルは三重項の正と負の両方のサンプルに依存して訓練される。
しかし、否定的な主張がない場合、これらは通常、ランダムな汚職から、全体的なパフォーマンスに影響を及ぼすより高度な技術まで、様々なネガティブなサンプリング戦略を用いて人工的に生成されなければならない。
知識グラフの埋め込みのための人気のあるライブラリのほとんどは、基本的な戦略のみをサポートし、高度なソリューションを欠いている。
このギャップに対処するため、我々は人気のあるKGEフレームワークであるPyKEENの拡張を提供しています。これは、いくつかの高度な負のサンプル(静的および動的破壊戦略を含む)を一貫したモジュールアーキテクチャに統合し、有意義な負のサンプルを生成しながら、既存のPyKEENベースのワークフローとパイプラインとの互換性を維持します。
開発された拡張機能は、PyKEEN自体を強化するだけでなく、組み込みメソッドやカスタマイズの容易かつ包括的な開発を可能にする。
概念実証として、開発した拡張の包括的実証研究と、異なる埋め込み手法の性能(リンク予測タスク)への影響を示すとともに、より効果的な戦略の設計に有用な洞察を提供する。
関連論文リスト
- Hierarchical Graph Information Bottleneck for Multi-Behavior Recommendation [31.495904374599533]
本稿では,マルチビヘイビアレコメンデーションのためのモデルに依存しない階層型グラフ情報ボトルネック(HGIB)フレームワークを提案する。
本フレームワークは,目標行動予測に不可欠な情報を保持するコンパクトかつ十分な表現の学習を最適化する。
実世界の3つの公開データセットに関する総合的な実験を行い、フレームワークの有効性を実証した。
論文 参考訳（メタデータ） (2025-07-21T08:53:49Z) - Normalized Attention Guidance: Universal Negative Guidance for Diffusion Models [57.20761595019967]
注意空間にL1をベースとした正規化・精細化を施した,効率的かつトレーニング不要な機構である正規化注意誘導(NAG)を提案する。
NAGは、CFGが忠実性を維持しながら崩壊する効果的な負のガイダンスを復元する。
NAGはアーキテクチャ(UNet、DiT)、サンプリングレシスタンス(複数ステップ、複数ステップ)、モダリティ(イメージ、ビデオ)をまたいで一般化する
論文 参考訳（メタデータ） (2025-05-27T13:30:46Z) - Variational Bayesian Personalized Ranking [39.24591060825056]
変分的BPRは、確率最適化、ノイズ低減、人気低下を統合する、新しく実装が容易な学習目標である。
本稿では,問題サンプルからの雑音を効果的に低減するために,注目に基づく競合学習手法を提案する。
実験により、人気のあるバックボーンレコメンデーションモデルにおける変分BPRの有効性を実証する。
論文 参考訳（メタデータ） (2025-03-14T04:22:01Z) - Multi-Margin Cosine Loss: Proposal and Application in Recommender Systems [0.0]
協調フィルタリングに基づくディープラーニング技術は、その素直な性質から人気を取り戻している。
これらのシステムは、相互作用モジュール、損失関数、ネガティブサンプリング戦略の3つの主要コンポーネントから構成される。
提案したMulti-Margin Cosine Loss (MMCL)は、負のサンプルに対して複数のマージンと様々な重みを導入することで、これらの課題に対処する。
論文 参考訳（メタデータ） (2024-05-07T18:58:32Z) - Back to Basics: A Simple Recipe for Improving Out-of-Domain Retrieval in
Dense Encoders [63.28408887247742]
得られたモデルにおいて,より優れた一般化能力を得るために,トレーニング手順の改善が可能であるかを検討する。
我々は、高密度エンコーダをトレーニングするための簡単なレシピを推奨する: LoRAのようなパラメータ効率のよいMSMARCOのトレーニング。
論文 参考訳（メタデータ） (2023-11-16T10:42:58Z) - On the Embedding Collapse when Scaling up Recommendation Models [53.66285358088788]
埋め込み崩壊現象をスケーラビリティの阻害とみなし、埋め込み行列は低次元の部分空間を占有する傾向にある。
本稿では,組込み集合固有の相互作用モジュールを組み込んで,多様性を持つ組込み集合を学習する,単純かつ効果的な組込み設計を提案する。
論文 参考訳（メタデータ） (2023-10-06T17:50:38Z) - Gaussian Graph with Prototypical Contrastive Learning in E-Commerce
Bundle Recommendation [13.157762744149966]
既存のソリューションは、対照的なグラフ学習パラダイムに基づいている。
本稿では,これらの課題を克服するために,原型コントラスト学習フレームワークを用いたガウスグラフを提案する。
いくつかの公開データセットにおける従来の手法と比較して,新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2023-07-25T12:56:41Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。
本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。
最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
論文 参考訳（メタデータ） (2021-09-07T04:28:09Z) - Deep Keypoint-Based Camera Pose Estimation with Geometric Constraints [80.60538408386016]
連続するフレームから相対的なカメラのポーズを推定することは、視覚計測の基本的な問題である。
本稿では,検出,特徴抽出,マッチング,外乱除去のための学習可能なモジュールで構成されるエンドツーエンドのトレーニング可能なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-29T21:41:31Z)
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。