論文の概要: FlowNeg: GFlowNet-Guided Diverse Hard Negative Sampling for Knowledge Graph Embedding
- arxiv url: http://arxiv.org/abs/2608.23849v1
- Date: Mon, 24 Aug 2026 21:38:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.628019
- Title: FlowNeg: GFlowNet-Guided Diverse Hard Negative Sampling for Knowledge Graph Embedding
- Title（参考訳）: FlowNeg: 知識グラフ埋め込みのためのGFlowNetでガイドされた逆ハードネガティブサンプリング
- Abstract要約: FlowNegはコンテキスト条件付き階層型生成フローネットワークである。
これは、エンティティセットに対して複合報酬を正規化することなく、報酬-比例サンプリングを補正する。
終末報酬は、有界モデルベースの硬さと、ホールドアウト陽性衝突のためのトレーニングのみの構造スコアを組み合わせる。
- 参考スコア（独自算出の注目度）: 1.1470070927586018
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Negative sampling determines whether a knowledge graph embedding (KGE) model learns from informative counterexamples or wastes updates on implausible corruptions. Uniform negatives are diverse but easy, whereas hard-negative miners concentrate on few entities and collide more with held-out positives. We introduce FlowNeg, a context-conditioned hierarchical generative flow network that amortizes reward-proportional sampling without normalizing a composite reward over the entity set: given a positive triple and corruption side, it selects a type, then an entity. Its terminal reward combines bounded model-based hardness with a training-only structural score for held-out-positive collision, over a relation-specific type-compatible support. We derive the reward, specialize standard trajectory balance, and bound multiplicatively how residual imbalance perturbs terminal and mode probability. Across a descriptive five-seed grid of five architectures and five benchmarks, FlowNeg has higher mean MRR than EMU and than IF-NS in 24 of 25 cells ($+0.0172$ and $+0.0160$ on average). A separate 15-seed FB15k-237/RotatE control fixing negative count, diagnostic budget, and compute gives FlowNeg $0.359\pm0.001$ MRR against $0.346\pm0.002$ for EMU, with near-uniform fixed-partition diversity, high gradient informativeness, and low collision. The evidence supports mode-covering negative generation without treating structural similarity as an open-world truth oracle.
- Abstract（参考訳）: 負のサンプリングは、知識グラフの埋め込み(KGE)モデルが情報的な反例から学習するか、または不信な汚職の更新を無駄にするかを決定する。
均一な負は多様だが容易であるが、硬い負の鉱夫は少数の物質に集中し、ホールドアウトの正とより衝突する。
FlowNegは、文脈条件付き階層型生成フローネットワークで、エンティティセットに対して複合的な報酬を正規化することなく、報酬-比例的なサンプリングを補正する。
終端報酬は、有界モデルベースの硬さと、関係性固有の型互換サポートに対して、保留型衝突のためのトレーニング専用構造スコアを組み合わせる。
我々は、報酬を導出し、標準軌跡バランスを専門化し、残差不均衡摂動終端とモード確率を乗法的に有界化する。
FlowNegは5つのアーキテクチャと5つのベンチマークで記述された5シードグリッド全体にわたって、平均MRRはEMUよりも高く、25セル中24セル(平均で+0.0172$と$+0.0160$)でIF-NSよりも高い。
15シードのFB15k-237/RotatE制御が負数、診断予算、計算を固定し、FlowNegに0.359\pm0.001$ MRR、EMUに対して0.346\pm0.002$を与え、ほぼ均一な固定分割の多様性、高い勾配情報性、低い衝突を与える。
この証拠は、構造的類似性をオープンワールドの真理のオラクルとして扱うことなく、モード被覆ネガティブな生成を支持する。
関連論文リスト
- PRIME: Mitigating Subgroup Optimization Competition in Shared CTR Top Networks with Plug-in Residual Input-Conditioned Mixture of Expert [16.073701450851008]
4つのモデルと4つのセマンティックフィールドを持つアバズ上での競合について検討する。
我々は,低ランクの残留専門家を混在させたPRIME(Plug-in Residual Input- Conditioned Mixture of Experts)を紹介する。
論文 参考訳（メタデータ） (2026-08-31T08:37:44Z) - Mean-to-Score Discrete Diffusion: Posterior-Mean Denoisers for Score Entropy [17.48959208263029]
我々は,クリーンな後進平均を予測し,正確なカーネル依存線形写像を用いてスコアに変換するEmphmean-to-score (M2S)を導入する。
均一な汚職のために、確率的単純度をブリッジポリトープにマッピングし、吸収マスクの破損のためにMD4を正確に回収する。
論文 参考訳（メタデータ） (2026-07-23T14:37:30Z) - AffectFlow-DINO: Uncertainty-Aware Multi-Task Affect Estimation via Conditional Rectified Flow [13.11051449383848]
第11回ABAWチャレンジのためのマルチタスク学習システムである textbfAffectFlow-DINO を提案する。
標準的な決定論的アーキテクチャを条件付き整形フローヘッドで拡張し、ワイルドな顔の振る舞いの本質的なあいまいさをモデル化する。
論文 参考訳（メタデータ） (2026-07-14T20:31:21Z) - Selecting Samples on Graphs: A Unified Dataset Pruning Framework for Lossless Training Acceleration [71.77541419885925]
グラフベースの統合DPフレームワークを提案する。
データセットを重み付きグラフとしてモデル化することにより、DPは最大重み付き傾き問題(MWCP)としてキャストできる。
ResNet-50でImageNet-1kの精度を犠牲にすることなく、トレーニング時間を40%以上短縮する。
論文 参考訳（メタデータ） (2026-06-11T05:13:32Z) - Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。
終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。
EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
論文 参考訳（メタデータ） (2026-05-15T16:11:10Z) - MARBLE: Multi-Aspect Reward Balance for Diffusion RL [71.6241143519038]
強化学習は、拡散モデルと人間の嗜好を整合させる主要なアプローチとなっている。
既存のプラクティスは、報酬ごとに1つのスペシャリストモデルをトレーニングすることで、複数の報酬を処理します。
我々は,各報酬に対する独立な優位推定器を維持する勾配空間最適化フレームワークMARBLEを提案する。
論文 参考訳（メタデータ） (2026-05-07T16:20:42Z) - Wild Bootstrap Inference for Non-Negative Matrix Factorization with Random Effects [0.0]
ランダム効果をもつ非負行列分解(NMF-RE)を導入する。
我々は、彼らの効果的な自由度を監視し、ほぼ飽和したフィットを防ぐために、dfベースのキャップを強制する。
for inference on $$, we condition on $(widehat X,widehat U)$ and obtained fast uncertainty via linearization, a one-step Newton update, and a multiplier (wild) bootstrap。
論文 参考訳（メタデータ） (2026-03-02T05:29:46Z) - ACAR: Adaptive Complexity Routing for Multi-Model Ensembles with Auditable Decision Traces [3.151184728006369]
本稿では,聴覚条件下でのマルチモデルオーケストレーションのための測定フレームワークACARを提案する。
ACARは、N=3プローブサンプルから計算した自己整合分散(sigma)を使用して、単一モデル、2モデル、3モデル実行モードでタスクをルーティングする。
我々は4つのベンチマークにまたがる1,510のタスクに対してACARを評価し、7,550以上の監査可能な実行を生成した。
論文 参考訳（メタデータ） (2026-02-06T23:27:17Z) - DiffusionNFT: Online Diffusion Reinforcement with Forward Process [99.94852379720153]
Diffusion Negative-aware FineTuning (DiffusionNFT) は、フローマッチングを通じて前方プロセス上で直接拡散モデルを最適化する新しいオンラインRLパラダイムである。
DiffusionNFTは、CFGフリーのFlowGRPOよりも25倍効率が高い。
論文 参考訳（メタデータ） (2025-09-19T16:09:33Z) - Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。
入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。
分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
論文 参考訳（メタデータ） (2021-06-14T05:39:09Z) - Reliable Graph Neural Networks via Robust Aggregation [1.7188280334580197]
グラフ構造を標的とした摂動はグラフニューラルネットワーク(GNN)の性能低下に極めて有効であることが証明されている。
敵の訓練のような伝統的な防御は、堅牢性を改善することができないように思われる。
この研究は、対向的に注入されたエッジが、ノードの近傍集約関数に追加のサンプルとして、効果的に見ることができるという観察によって動機付けられている。
論文 参考訳（メタデータ） (2020-10-29T14:55:20Z) - EqCo: Equivalent Rules for Self-supervised Contrastive Learning [81.45848885547754]
本稿では,InfoNCEをベースとしたコントラスト学習フレームワークにおいて,負のサンプル数と無関係に自己教師型学習を実現する手法を提案する。
InfoMaxの原理に着想を得て、負のペアの数に応じて、対照的な損失のマージン項を適応的にスケールする必要があることを指摘する。
論文 参考訳（メタデータ） (2020-10-05T11:39:04Z)
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。