論文の概要: TIEG-Youpu Solution for NeurIPS 2022 WikiKG90Mv2-LSC

• arxiv url: http://arxiv.org/abs/2603.28512v1
• Date: Mon, 30 Mar 2026 14:45:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.449945
• Title: TIEG-Youpu Solution for NeurIPS 2022 WikiKG90Mv2-LSC
• Title（参考訳）: TIEG-Youpu Solution for NeurIPS 2022 WikiKG90Mv2-LSC
• Authors: Feng Nie, Zhixiu Ye, Sifa Xie, Shuang Wu, Xin Yuan, Liang Yao, Jiazhen Peng, Xu Cheng,
• Abstract要約: 我々は,NeurIPS 2022でWikiKG90Mv2のグラフ埋め込みモデルを構築した。 本稿では,構造的および意味論的に類似した候補を求めるために,優先的な埋め込み検索モデルを提案する。 次に,隣り合う拡張表現を用いたアンサンブルに基づく再ランク付けモデルを提案し,最終的なリンク予測結果を生成する。
• 参考スコア（独自算出の注目度）: 18.369725734832336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: WikiKG90Mv2 in NeurIPS 2022 is a large encyclopedic knowledge graph. Embedding knowledge graphs into continuous vector spaces is important for many practical applications, such as knowledge acquisition, question answering, and recommendation systems. Compared to existing knowledge graphs, WikiKG90Mv2 is a large scale knowledge graph, which is composed of more than 90 millions of entities. Both efficiency and accuracy should be considered when building graph embedding models for knowledge graph at scale. To this end, we follow the retrieve then re-rank pipeline, and make novel modifications in both retrieval and re-ranking stage. Specifically, we propose a priority infilling retrieval model to obtain candidates that are structurally and semantically similar. Then we propose an ensemble based re-ranking model with neighbor enhanced representations to produce final link prediction results among retrieved candidates. Experimental results show that our proposed method outperforms existing baseline methods and improves MRR of validation set from 0.2342 to 0.2839.
• Abstract（参考訳）: WikiKG90Mv2 in NeurIPS 2022は大規模な百科事典知識グラフである。 知識グラフを連続ベクトル空間に埋め込むことは、知識獲得、質問応答、レコメンデーションシステムといった多くの実践的応用にとって重要である。 既存の知識グラフと比較すると、WikiKG90Mv2は、9000万以上のエンティティからなる大規模知識グラフである。 知識グラフのグラフ埋め込みモデルを大規模に構築する場合、効率性と精度の両方を考慮する必要がある。 この目的のために、検索後再ランクパイプラインに従い、検索と再ランクステージの両方で新しい修正を行う。 具体的には,構造的・意味的に類似した候補を優先的に検索する検索モデルを提案する。 そこで我々は,隣り合う拡張表現を用いたアンサンブルに基づく再ランク付けモデルを提案し,検索した候補間の最終的なリンク予測結果を生成する。 実験の結果,提案手法は既存のベースライン法よりも優れており,有効性は0.2342から0.2839まで向上していることがわかった。

関連論文リスト

• An Automatic Graph Construction Framework based on Large Language Models for Recommendation [49.51799417575638]
  本稿では,大規模言語モデルに基づく自動グラフ構築フレームワークであるAutoGraphを紹介する。 LLMはユーザ好みとアイテムの知識を推論し、セマンティックベクターとして符号化する。 潜在因子は、ユーザ/イテムノードをリンクする余分なノードとして組み込まれ、結果として、深いグローバルビューセマンティクスを持つグラフとなる。
  論文  参考訳（メタデータ） (2024-12-24T07:51:29Z)
• Graph-to-SFILES: Control structure prediction from process topologies using generative artificial intelligence [0.0]
  制御構造設計は、P&ID開発において重要なステップであるが面倒なステップである。 生成人工知能(AI)は、技術者を支援することによってP&ID開発時間を短縮することを約束する。 本稿では,フローシートトポロジから制御構造を予測するための生成AI手法であるGraph-to-SFILESモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-30T15:30:11Z)
• Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
  効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。 設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。 5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
  論文  参考訳（メタデータ） (2024-03-15T12:00:12Z)
• Unlearning Graph Classifiers with Limited Data Resources [39.29148804411811]
  制御されたデータ削除は、データに敏感なWebアプリケーションのための機械学習モデルの重要機能になりつつある。 グラフニューラルネットワーク(GNN)の効率的な機械学習を実現する方法はまだほとんど知られていない。 我々の主な貢献は GST に基づく非線形近似グラフアンラーニング法である。 第2の貢献は、提案した未学習機構の計算複雑性の理論解析である。 第3のコントリビューションは広範囲なシミュレーションの結果であり、削除要求毎のGNNの完全再トレーニングと比較して、新しいGSTベースのアプローチは平均10.38倍のスピードアップを提供する。
  論文  参考訳（メタデータ） (2022-11-06T20:46:50Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
  本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。 SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
  論文  参考訳（メタデータ） (2021-03-05T09:03:03Z)
• A Physical Embedding Model for Knowledge Graphs [1.1650381752104297]
  本稿では,知識グラフの埋め込み計算のための新しい,スケーラブルなパラダイムを提案する。 我々は、D薬バンクとDBpediaのデータセットに対する6つの最先端の埋め込みアプローチに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2020-01-21T10:02:18Z)

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。