論文の概要: SASA: Semantic-Aware Contrastive Learning Framework with Separated Attention for Triple Classification

• arxiv url: http://arxiv.org/abs/2601.13035v1
• Date: Mon, 19 Jan 2026 13:19:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.908931
• Title: SASA: Semantic-Aware Contrastive Learning Framework with Separated Attention for Triple Classification
• Title（参考訳）: SASA: セマンティック・アウェア・コントラスト学習フレームワーク
• Authors: Xu Xiaodan, Hu Xiaolin,
• Abstract要約: トリプル分類(TC)は、知識グラフからトリプルの妥当性を決定することを目的としている。 textbfSASA - 注意分離機構と意味認識型コントラスト学習(CL)によるTCモデルの強化を目的とした新しいフレームワーク 2つのベンチマークデータセットによる実験結果から、SASAは最先端の手法を大幅に上回っていることが示された。
• 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: Knowledge Graphs~(KGs) often suffer from unreliable knowledge, which restricts their utility. Triple Classification~(TC) aims to determine the validity of triples from KGs. Recently, text-based methods learn entity and relation representations from natural language descriptions, significantly improving the generalization capabilities of TC models and setting new benchmarks in performance. However, there are still two critical challenges. First, existing methods often ignore the effective semantic interaction among different KG components. Second, most approaches adopt single binary classification training objective, leading to insufficient semantic representation learning. To address these challenges, we propose \textbf{SASA}, a novel framework designed to enhance TC models via separated attention mechanism and semantic-aware contrastive learning~(CL). Specifically, we first propose separated attention mechanism to encode triples into decoupled contextual representations and then fuse them through a more effective interactive way. Then, we introduce semantic-aware hierarchical CL as auxiliary training objective to guide models in improving their discriminative capabilities and achieving sufficient semantic learning, considering both local level and global level CL. Experimental results across two benchmark datasets demonstrate that SASA significantly outperforms state-of-the-art methods. In terms of accuracy, we advance the state-of-the-art by +5.9\% on FB15k-237 and +3.4\% on YAGO3-10.
• Abstract（参考訳）: 知識グラフ~(KG)はしばしば信頼できない知識に悩まされ、実用性を制限する。 Triple Classification~(TC)は、KGsから三重項の妥当性を決定することを目的としている。 近年,テキストベースの手法は,自然言語記述から実体と関係表現を学習し,TCモデルの一般化能力を大幅に向上させ,性能に新たなベンチマークを設定している。 しかし、2つの重要な課題がある。 まず、既存の手法は、異なるKGコンポーネント間の効果的な意味的相互作用を無視することが多い。 第二に、ほとんどのアプローチは単一のバイナリ分類学習目標を採用しており、セマンティック表現学習は不十分である。 これらの課題に対処するために,分離されたアテンション機構とセマンティック・アウェア・コントラッシブ・ラーニング(CL)によるTCモデルの拡張を目的とした,新しいフレームワークである \textbf{SASA} を提案する。 具体的には、まず三重項を分離した文脈表現にエンコードし、より効果的な対話的な方法でそれらを融合するための注意機構を提案する。 そこで本研究では,意味認識型階層型CLを補助訓練対象として導入し,モデルの識別能力の向上と,局所レベルとグローバルレベルの両方を考慮して十分な意味学習を実現する。 2つのベンチマークデータセットによる実験結果から、SASAは最先端の手法を大幅に上回っていることが示された。 精度に関しては、FB15k-237では+5.9\%、YAGO3-10では+3.4\%である。

関連論文リスト

• CCL-LGS: Contrastive Codebook Learning for 3D Language Gaussian Splatting [53.15827818829865]
  2Dプリンシパルに依存しているメソッドは、横断的なセマンティクスの不整合という重要な課題に陥る。 CCL-LGSは、多視点セマンティックキューを統合することで、ビューに一貫性のあるセマンティック監視を実現する新しいフレームワークである。 我々の枠組みは、カテゴリー識別性を維持しながら意味的対立を明示的に解決する。
  論文  参考訳（メタデータ） (2025-05-26T19:09:33Z)
• Enhancing Visual Continual Learning with Language-Guided Supervision [76.38481740848434]
  継続的な学習は、モデルが以前獲得した知識を忘れずに新しいタスクを学習できるようにすることを目的としている。 ワンホットラベルが伝達する少ない意味情報は,タスク間の効果的な知識伝達を妨げている,と我々は主張する。 具体的には, PLM を用いて各クラスのセマンティックターゲットを生成し, 凍結し, 監視信号として機能する。
  論文  参考訳（メタデータ） (2024-03-24T12:41:58Z)
• Towards Realistic Zero-Shot Classification via Self Structural Semantic Alignment [53.2701026843921]
  大規模事前訓練型視覚言語モデル(VLM)はゼロショット分類に有効であることが証明されている。 本稿では,アノテーションではなく,より広い語彙を前提とした,より難易度の高いゼロショット分類(Realistic Zero-Shot Classification)を提案する。 本稿では,ラベルのないデータから構造意味情報を抽出し,同時に自己学習を行う自己構造意味アライメント(S3A)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-24T17:56:46Z)
• DUET: Cross-modal Semantic Grounding for Contrastive Zero-shot Learning [37.48292304239107]
  本稿では, DUET という変換器を用いたエンドツーエンドZSL手法を提案する。 画像からセマンティック属性を分離するモデルの能力を調べるために,モーダルなセマンティックグラウンドネットワークを開発した。 DUETは、しばしば最先端のパフォーマンスを達成することができ、そのコンポーネントは有効であり、予測は解釈可能である。
  論文  参考訳（メタデータ） (2022-07-04T11:12:12Z)

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。