論文の概要: HyperComplEx: Adaptive Multi-Space Knowledge Graph Embeddings

• arxiv url: http://arxiv.org/abs/2511.10842v1
• Date: Thu, 13 Nov 2025 23:06:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.355107
• Title: HyperComplEx: Adaptive Multi-Space Knowledge Graph Embeddings
• Title（参考訳）: HyperComplEx: 適応型マルチスペース知識グラフ埋め込み
• Authors: Jugal Gajjar, Kaustik Ranaware, Kamalasankari Subramaniakuppusamy, Vaibhav Gandhi,
• Abstract要約: HyperComplExは、ハイパーボリック、複雑、ユークリッド空間を学習された注意機構を通じて組み合わせたハイブリッドな埋め込みフレームワークである。 関係性特異的な空間重み付け戦略は、関係型ごとに最適なジオメトリを動的に選択する。 10Mペーパーデータセットでは、HyperComplExが0.612 MRRを達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Knowledge graphs have emerged as fundamental structures for representing complex relational data across scientific and enterprise domains. However, existing embedding methods face critical limitations when modeling diverse relationship types at scale: Euclidean models struggle with hierarchies, vector space models cannot capture asymmetry, and hyperbolic models fail on symmetric relations. We propose HyperComplEx, a hybrid embedding framework that adaptively combines hyperbolic, complex, and Euclidean spaces via learned attention mechanisms. A relation-specific space weighting strategy dynamically selects optimal geometries for each relation type, while a multi-space consistency loss ensures coherent predictions across spaces. We evaluate HyperComplEx on computer science research knowledge graphs ranging from 1K papers (~25K triples) to 10M papers (~45M triples), demonstrating consistent improvements over state-of-the-art baselines including TransE, RotatE, DistMult, ComplEx, SEPA, and UltraE. Additional tests on standard benchmarks confirm significantly higher results than all baselines. On the 10M-paper dataset, HyperComplEx achieves 0.612 MRR, a 4.8% relative gain over the best baseline, while maintaining efficient training, achieving 85 ms inference per triple. The model scales near-linearly with graph size through adaptive dimension allocation. We release our implementation and dataset family to facilitate reproducible research in scalable knowledge graph embeddings.
• Abstract（参考訳）: 知識グラフは、科学領域と企業領域にまたがる複雑な関係データを表現するための基本的な構造として現れてきた。 ユークリッドモデルは階層性に苦しむ、ベクトル空間モデルは非対称性を捉えることができず、双曲的モデルは対称関係で失敗する。 本稿では,ハイパーボリック,複雑,ユークリッド空間を学習的注意機構により適応的に結合するハイブリッド埋め込みフレームワークHyperComplExを提案する。 関係性特異的な空間重み付け戦略は、各関係型の最適ジオメトリを動的に選択する一方、多空間整合損失は空間間のコヒーレントな予測を保証する。 計算機科学の知識グラフ上のHyperComplExを1Kペーパー(3倍)から10Mペーパー(3倍)まで評価し,TransE,RotatE,DistMult,ComplEx,SEPA,UltraEといった最先端のベースラインに対する一貫した改善を実証した。 標準ベンチマークに対する追加テストでは、すべてのベースラインよりもはるかに高い結果が確認された。 10Mペーパーのデータセットでは、HyperComplExは0.612 MRRを達成した。 このモデルは、アダプティブディメンションアロケーションを通じて、グラフサイズとほぼ直線的にスケールする。 我々は、スケーラブルな知識グラフの埋め込みにおける再現可能な研究を容易にするために、実装とデータセットファミリーをリリースする。

関連論文リスト

• SKGE: Spherical Knowledge Graph Embedding with Geometric Regularization [0.0]
  SKGE(Spherical Knowledge Graph Embedding)は、実体表現をコンパクトな多様体(超球)に制約するモデルである。 我々は、SKGEが強いユークリッドのTransEよりも一貫して著しく優れていることを示した。
  論文  参考訳（メタデータ） (2025-11-04T10:40:46Z)
• Predictable Scale: Part I, Step Law -- Optimal Hyperparameter Scaling Law in Large Language Model Pretraining [59.369484219304866]
  我々は100兆のトークンをスクラッチから3,700以上の大規模言語モデル(LLM)に対する前例のない経験的調査訓練を実施している。 ステップ法則(ステップ法)と呼ばれる,LLM事前学習におけるハイパーパラメータ最適化のための普遍的スケーリング法則を確立する。 我々の推定オプティマは, 排他的探索によって得られた世界最高の性能から, テストセットの0.094%しか逸脱しない。
  論文  参考訳（メタデータ） (2025-03-06T18:58:29Z)
• From Semantics to Hierarchy: A Hybrid Euclidean-Tangent-Hyperbolic Space Model for Temporal Knowledge Graph Reasoning [1.1372536310854844]
  時間的知識グラフ(TKG)推論は、過去のデータに基づいて将来の出来事を予測する。 既存のユークリッドモデルはセマンティクスを捉えるのに優れているが、階層構造に苦しむ。 ユークリッドモデルと双曲モデルの両方の強みを利用する新しいハイブリッド幾何空間アプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-30T10:33:08Z)
• AMCAD: Adaptive Mixed-Curvature Representation based Advertisement Retrieval System [18.07821800367287]
  非ユークリッド空間における複素および異種グラフ構造を自動的にキャプチャするウェブスケール適応型混合グラフ広告検索システム(AMCAD)を提案する。 ユーザ数億の最大のeコマースプラットフォームであるTaobaoにAMCADをデプロイするために,効率的な2層オンライン検索フレームワークを設計する。
  論文  参考訳（メタデータ） (2022-03-28T12:29:30Z)
• Hermitian Symmetric Spaces for Graph Embeddings [0.0]
  C 上の対称行列空間におけるグラフの連続表現を学ぶ。 これらの空間は双曲部分空間とユークリッド部分空間を同時に認めるリッチな幾何学を提供する。 提案するモデルは, apriori のグラフ特徴を見積もることなく, まったく異なる配置に自動的に適応することができる。
  論文  参考訳（メタデータ） (2021-05-11T18:14:52Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• Knowledge Generation -- Variational Bayes on Knowledge Graphs [0.685316573653194]
  この論文は、現実世界の知識グラフの表現に関するVari Auto-Encoder (VAE) の概念実証である。 生成グラフへのアプローチの成功に触発されて,本モデルである変分オートエンコーダ(rgvae)の能力を評価する。 RGVAEはリンク予測に基づいて評価される。 2つのFB15K-237およびWN18RRデータセットの平均相互ランク(MRR)スコアを比較します。 2次実験における潜伏空間について検討する:まず、2つの三重項の潜伏表現の間の線型、そして各三重項の探索
  論文  参考訳（メタデータ） (2021-01-21T21:23:17Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)

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。