論文の概要: CORE: Cyclic Orthotope Relation Embedding for Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2605.11159v1
• Date: Mon, 11 May 2026 19:07:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.377609
• Title: CORE: Cyclic Orthotope Relation Embedding for Knowledge Graph Completion
• Title（参考訳）: CORE:知識グラフ補完のための周期的オルソトペ関係
• Authors: Yingqi Zeng, Luying Wang, Huiling Zhu,
• Abstract要約: COREはトーラス多様体上の巡回直交として関係を表現し、領域は空間境界をシームレスに包むことができる。 COREは高い競争性能を達成し、密接なセマンティック環境におけるリンク予測精度を大幅に改善する。
• 参考スコア（独自算出の注目度）: 3.9125686386321186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph completion (KGC) aims to automatically infer missing facts in multi-relational data by mapping entities and relations into continuous representation spaces. Recent region-based embedding models have shown great promise in capturing complex logical patterns by representing relations as geometric regions. However, these models inevitably suffer from absolute boundary constraints during optimization. Conversely, without such constraints, relation regions expand indefinitely. To address the limitation, we propose \textbf{CORE} (Cyclic Orthotope Relation Embedding), a novel KGC model that embeds entities and relations onto a boundary-less torus manifold.CORE represents relations as cyclic orthotopes on the torus manifold, allowing regions to seamlessly wrap around spatial boundaries to ensure smooth gradient conduction. Furthermore, an adaptive width regularization is introduced to prevent unconditional region expansion. Theoretical analysis proves that CORE can capture various complex relation patterns such as subsumption and intersection. Extensive experiments on four benchmark datasets demonstrate that CORE achieves highly competitive performance, significantly improving link prediction accuracy in dense semantic environments.
• Abstract（参考訳）: 知識グラフ補完(KGC)は、実体と関係を連続表現空間にマッピングすることで、多関係データ中の行方不明事実を自動的に推測することを目的としている。 最近の領域ベース埋め込みモデルでは、関係を幾何学的領域として表現することで複雑な論理パターンを捉えることに大きな期待が持たれている。 しかし、これらのモデルは必然的に最適化中に絶対的な境界制約に悩まされる。 逆に、そのような制約がなければ、関係領域は無限に膨張する。 この制限に対処するために、境界のないトーラス多様体に実体と関係を埋め込んだ新しいKGCモデルである「textbf{CORE} (Cyclic Orthotope Relation Embedding)」を提案する。 さらに、非条件領域拡大を防止するために適応幅正規化を導入する。 理論的解析は、COREが仮定や交叉のような様々な複雑な関係パターンを捉えることができることを証明している。 4つのベンチマークデータセットの大規模な実験により、COREは高い競争性能を達成し、密接なセマンティック環境におけるリンク予測精度を大幅に向上することが示された。

関連論文リスト

• A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
  本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。 MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。 合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-05-05T20:19:09Z)
• Local-Curvature-Aware Knowledge Graph Embedding: An Extended Ricci Flow Approach [4.686364613477057]
  知識グラフの埋め込みは、意味的および構造的関係を符号化するために埋め込み空間の幾何学に依存する。 拡張リッチ流における局所曲率とKGE勾配損失を結合させるRicciKGEを提案する。 リンク予測とノード分類ベンチマークの実験的改善により、RicciKGEが不均一な知識グラフ構造に適応することを示す。
  論文  参考訳（メタデータ） (2025-12-08T09:20:06Z)
• Conjugate Relation Modeling for Few-Shot Knowledge Graph Completion [28.9634566530614]
  知識グラフ補完は、限られたサポートサンプルから欠落したトリプルを推測する。 共役関係モデリングのための新しいフレームワーク(CR-FKGC)を提案する。 3つのベンチマーク実験により,本手法は最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-10-26T12:38:23Z)
• Latent Iterative Refinement Flow: A Geometric-Constrained Approach for Few-Shot Generation [5.062604189239418]
  少ショット生成に対する新しいアプローチであるLIRF(Latent Iterative Refinement Flow)を導入する。 LIRFは,新しいtextbfmanifold保存損失をトレーニングしたオートエンコーダを用いて,安定な潜伏空間を確立する。 このサイクルの中で、候補サンプルは幾何的テクスチャ補正演算子によって洗練される。
  論文  参考訳（メタデータ） (2025-09-24T08:57:21Z)
• HierRelTriple: Guiding Indoor Layout Generation with Hierarchical Relationship Triplet Losses [52.70183252341687]
  本稿では,空間的関係学習に着目した階層型三重項に基づく屋内関係学習手法HierRelTripleを提案する。 階層型リレーショナル三重項モデリングフレームワークであるHierRelTripleを導入する。 非条件レイアウト合成、フロアプラン条件付きレイアウト生成、シーン再構成の実験により、HierRelは空間関係のメトリクスを15%以上改善することを示した。
  論文  参考訳（メタデータ） (2025-03-26T07:31:52Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)

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。