論文の概要: Recipe-Controlled Decoder Audit for Structural Knowledge-Graph Completion

• arxiv url: http://arxiv.org/abs/2606.14492v1
• Date: Fri, 12 Jun 2026 14:29:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.932758
• Title: Recipe-Controlled Decoder Audit for Structural Knowledge-Graph Completion
• Title（参考訳）: 構造知識グラフ補完のためのレシピ制御デコーダ監査
• Authors: Xihang Shan, Ye Luo,
• Abstract要約: 構造的帰納的知識グラフ補完(KGC)のためのレシピ制御型デコーダ監査法を提案する。 エンコーダやトレーニングレシピに利益をもたらす前に、デコーダを同じレシピでスワップした場合、どのような変更があるのか?
• 参考スコア（独自算出の注目度）: 4.528144562342186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a recipe-controlled decoder audit (RCDA) for structural transductive knowledge-graph completion (KGC). The audit asks a simple reporting question: before attributing gains to an encoder or training recipe, what changes when the decoder is swapped under the same recipe? Using ComplEx and DistMult as the primary controlled pair, with targeted RotatE/TransE spot-checks, we evaluate seven benchmarks. On five standard KGs, ComplEx-vs-DistMult differences are modest but consistent under our recipe (+0.005 to +0.012 MRR), whereas CompGCN-style encoder effects vary more by dataset. On small KGs, decoder effects become the main diagnostic: Kinship shows a stable ComplEx advantage of +0.143 MRR (6 seeds), while UMLS favours ComplEx by +0.022 MRR in a clean 6-seed server rerun but reverses in an earlier provenance variant. We therefore treat small-KG decoder choice as recipe- and provenance-sensitive rather than as a fixed dataset winner. We further show that decoder choice interacts with encoder depth on WN18RR, and that under our recipe L=0 ComplEx on YAGO3-10 reaches 0.6971 +/- 0.0048 MRR at d=128. The result is a compact audit protocol: report matched decoder rows, log small-KG provenance, and sweep decoder x depth before making encoder-level claims.
• Abstract（参考訳）: 構造的帰納的知識グラフ補完(KGC)のためのレシピ制御型デコーダ監査(RCDA)を提案する。 エンコーダやトレーニングレシピに利益をもたらす前に、デコーダを同じレシピでスワップした場合、どのような変更があるのか? ComplExとDistMultを主制御ペアとして,RotatE/TransEのスポットチェックを対象とし,7つのベンチマーク評価を行った。 5つの標準KGでは、ComplEx-vs-DistMultの差は穏やかだが、我々のレシピ(+0.005から+0.012 MRR)では一貫性がある。 Kinship は +0.143 MRR (6 種) の ComplEx の利点を安定的に示し、UMLS は 0.022 MRR の ComplEx をクリーンな 6-seed サーバの再実行で好んでいるが、以前のバージョンでは逆である。 したがって、我々は、小さなKGデコーダの選択を、固定データセットの勝者としてではなく、レシピや証明に敏感なものとして扱う。 さらに,WN18RR上のエンコーダ深さとデコーダ選択が相互作用し,YAGO3-10上のL=0 ComplExがd=128で0.6971 +/- 0.0048 MRRに達することを示す。 その結果、レポートの一致したデコーダ行、ログの小さなKG証明、スイープデコーダxの深さといった、コンパクトな監査プロトコルが、エンコーダレベルのクレームを生成する前に実現された。

関連論文リスト

• QGEC : Quantum Golay Code Error Correction [0.0]
  量子ゴレイ符号誤り訂正(Quantum Golay code Error Correction, QGEC)は、古典情報理論における効率的な符号化法である。 23個のデータキュービットを必要とし、7個のコード距離を持つGolayコードは、トーリックコードよりも高い復号精度を実現した。 このことは、Transformerを使って量子エラー補正を実装することで、Golayコードがフォールトトレラントな量子計算を実現することができることを示唆している。
  論文  参考訳（メタデータ） (2025-12-12T06:04:05Z)
• Decoding Quantum LDPC Codes using Collaborative Check Node Removal [0.0]
  協調的な手法を用いて反復デコーダの性能を向上させるための戦略を提案する。 量子ビットに対する情報計測(IM)と隣接する安定化器チェックを統合することで、より優れた結果を得ることができることを示す。
  論文  参考訳（メタデータ） (2025-01-14T11:41:45Z)
• Graph Neural Networks for Channel Decoding [71.15576353630667]
  低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。 ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。 提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
  論文  参考訳（メタデータ） (2022-07-29T15:29:18Z)
• Improved decoding of circuit noise and fragile boundaries of tailored surface codes [61.411482146110984]
  高速かつ高精度なデコーダを導入し、幅広い種類の量子誤り訂正符号で使用することができる。 我々のデコーダは、信仰マッチングと信念フィンドと呼ばれ、すべてのノイズ情報を活用し、QECの高精度なデモを解き放つ。 このデコーダは, 標準の正方形曲面符号に対して, 整形曲面符号において, より高いしきい値と低い量子ビットオーバーヘッドをもたらすことがわかった。
  論文  参考訳（メタデータ） (2022-03-09T18:48:54Z)
• Adversarial Neural Networks for Error Correcting Codes [76.70040964453638]
  機械学習(ML)モデルの性能と適用性を高めるための一般的なフレームワークを紹介する。 本稿では,MLデコーダと競合する識別器ネットワークを組み合わせることを提案する。 我々のフレームワークはゲーム理論であり、GAN(Generative Adversarial Network)によって動機付けられている。
  論文  参考訳（メタデータ） (2021-12-21T19:14:44Z)
• Dense Coding with Locality Restriction for Decoder: Quantum Encoders vs. Super-Quantum Encoders [67.12391801199688]
  我々は、デコーダに様々な局所性制限を課すことにより、濃密な符号化について検討する。 このタスクでは、送信者アリスと受信機ボブが絡み合った状態を共有する。
  論文  参考訳（メタデータ） (2021-09-26T07:29:54Z)
• CoDERT: Distilling Encoder Representations with Co-learning for Transducer-based Speech Recognition [14.07385381963374]
  トランスデューサのエンコーダ出力は自然に高いエントロピーを持ち、音響的に類似した単語-ピースの混同に関する豊富な情報を含んでいることを示す。 本稿では,教師のトランスデューサのエンコーダのロジットを蒸留するための補助的損失を導入し,このエンコーダ蒸留が効果的に機能するトレーニング戦略を探る。
  論文  参考訳（メタデータ） (2021-06-14T20:03:57Z)
• On Sparsifying Encoder Outputs in Sequence-to-Sequence Models [90.58793284654692]
  我々はTransformerをテストベッドとして、エンコーダとデコーダの間にあるゲートの層を導入します。 ゲートは、パリシティ誘導L0ペナルティの期待値を用いて正規化される。 このスペーサー化が2つの機械翻訳と2つの要約タスクに与える影響について検討する。
  論文  参考訳（メタデータ） (2020-04-24T16:57:52Z)
• Fault-Tolerant Weighted Union-Find Decoding on the Toric Code [2.492300648514129]
  我々は,回路レベルの分極雑音下でのトーリック符号上で,ユニオンフィンデコーダの重み付き変形をベンチマークした。 この変種は、フォールトトレランス設定の性能を大幅に向上させながら、オリジナルのほぼ直線的な時間の複雑さを保っている。
  論文  参考訳（メタデータ） (2020-04-09T17:24:30Z)
• Pruning Neural Belief Propagation Decoders [77.237958592189]
  本稿では,機械学習を用いたBPデコードに対して,過剰完全パリティチェック行列を調整する手法を提案する。 我々は,デコーダの複雑さを低減しつつ,0.27dB,1.5dBのML性能を実現する。
  論文  参考訳（メタデータ） (2020-01-21T12:05:46Z)

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。