論文の概要: PyKEEN-NSX: A Modular Framework for Static, Dynamic and Schema-Aware Negative Sampling in PyKEEN

• arxiv url: http://arxiv.org/abs/2608.30652v1
• Date: Mon, 31 Aug 2026 11:52:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.37674
• Title: PyKEEN-NSX: A Modular Framework for Static, Dynamic and Schema-Aware Negative Sampling in PyKEEN
• Title（参考訳）: PyKEEN-NSX: PyKEENの静的・動的・スキーマ対応負サンプリングのためのモジュールフレームワーク
• Abstract要約: 我々はPyKEENの拡張であるPyKEEN-NSXを導入する。 4つのデータセットにまたがる負の可用性について検討し、制約されたプールが要求された負の数を下回ることが多いことを示した。
• 参考スコア（独自算出の注目度）: 0.009440387594721001
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Embedding methods have become popular due to their scalability on link prediction and/or triple classification tasks on Knowledge Graphs (KGs). Embedding models are trained relying on both positive and negative samples of triples. However, since KGs generally contain only positive assertions, negative samples are artificially generated through negative sampling strategies, ranging from simple random corruption to more sophisticated approaches that exploit structural, semantic, or embedding information. The design and implementation of advanced negative samplers remains challenging, as most popular Knowledge Graph Embedding (KGE) libraries provide support only for basic strategies and lack a unified framework for developing more advanced and customized solutions. To address this gap, we introduce PyKEEN-NSX, an extension of PyKEEN, the popular KGE framework, that provides a modular engineered abstraction for negative sampling. The proposed architecture separates the generation of candidate negative pools, conditioned on an explicit context, from the selection strategy, enabling the development and integration of static, schema-aware and dynamic approaches within a consistent framework. Based on this abstraction, we implement six negative samplers, while remaining fully compatible with existing PyKEEN workflows and pipelines. As a proof of concept, we study negative availability across four datasets, showing that constrained pools frequently fall below the requested number of negatives, so that the encoded criterion is to a large extent replaced by the random fallback that supplements them.
• Abstract（参考訳）: 埋め込み手法はリンク予測のスケーラビリティや知識グラフ(KG)の3つの分類タスクによって普及している。 埋め込みモデルは三重項の正と負の両方のサンプルに依存して訓練される。 しかしながら、KGは一般的に正のアサーションしか含まないため、正のサンプルは単純なランダムな汚職から、構造的、意味的、あるいは埋め込み情報を利用するより洗練されたアプローチまで、ネガティブなサンプリング戦略によって人工的に生成される。 最も一般的な知識グラフ埋め込み(KGE)ライブラリは基本的な戦略のみをサポートし、より高度でカスタマイズされたソリューションを開発するための統一されたフレームワークが欠如している。 このギャップに対処するために、我々は、人気のあるKGEフレームワークであるPyKEENの拡張であるPyKEEN-NSXを紹介します。 提案したアーキテクチャは、明示的な文脈で条件付けられた候補負のプールの生成を選択戦略から切り離し、一貫したフレームワーク内で静的、スキーマ対応、動的アプローチの開発と統合を可能にする。 この抽象化に基づいて、既存のPyKEENワークフローやパイプラインと完全に互換性を維持しながら、6つの負のサンプルを実装します。 概念実証として、4つのデータセットにまたがる負の可用性について検討し、制約されたプールが要求された負の数以下にしばしば減少することを示し、符号化された基準はそれらを補うランダムなフォールバックに大きく置き換えられることを示した。

関連論文リスト

• Defending against Model Extraction for GNNs with Model Reprogramming [57.82196268649236]
  グラフニューラルネットワーク(GNN)は、ML(Machine-Learning-as-a-Service)における高スループットアプリケーションのバックボーンとして機能する。 それでも、ブラックボックスのデプロイメントは、モデル抽出(ME)攻撃に晒される。 既存の防衛は「ユークリッドバイアス」に苦しむ セキュリティのためにモデル再プログラミングを再利用するプロアクティブディフェンスフレームワークであるGraphRPを提案する。
  論文  参考訳（メタデータ） (2026-08-11T23:20:15Z)
• Divergence Meets Consensus: A Multi-Source Negative Sampling Framework for Sequential Recommendation [12.425187572716574]
  「Teacher-Peer-Self」フレームワークは、ヴィゴツキーのZPD理論に触発されたものである。 マルチソーススコアリング、分散再ランク付け、コンセンサス蒸留が組み込まれている。 常に最先端のネガティブサンプリング手法より優れています。
  論文  参考訳（メタデータ） (2026-05-19T10:42:23Z)
• On the Out-of-Distribution Generalization of Reasoning in Multimodal LLMs for Simple Visual Planning Tasks [56.98385132295952]
  簡単な計画課題において,チェーン・オブ・ソート・アプローチがいかに一般化するかを評価する。 複数のテキスト形式を組み合わせた推論トレースが、最高の(かつ非自明な)OOD一般化をもたらすことが分かりました。 純粋にテキストベースのモデルは、画像ベースの入力を利用するモデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-02-17T09:51:40Z)
• VADE: Variance-Aware Dynamic Sampling via Online Sample-Level Difficulty Estimation for Multimodal RL [38.782188833641676]
  GRPOやGSPOのようなグループベースのポリシー最適化手法は、マルチモーダルモデルのトレーニングの標準となっている。 グループ内のすべての応答が同じ報酬を受けると、それらは致命的な急激な消滅問題に悩まされる。 textbfVADEは,オンラインサンプルレベルの難易度を用いたサンプリングフレームワークである。
  論文  参考訳（メタデータ） (2025-11-24T08:59:54Z)
• Enhancing PyKEEN with Multiple Negative Sampling Solutions for Knowledge Graph Embedding Models [0.19285000127136376]
  負のアサーションがない場合、埋め込みモデルは通常、様々な負のサンプリング戦略を用いて人工的に生成される。 知識グラフの埋め込みのための人気のあるライブラリのほとんどは、基本的な戦略のみをサポートし、高度なソリューションを欠いている。 我々はKGEフレームワークであるPyKEENの拡張を提供し、いくつかの高度な負のサンプルを統合しています。
  論文  参考訳（メタデータ） (2025-08-07T17:24:34Z)
• Normalized Attention Guidance: Universal Negative Guidance for Diffusion Models [57.20761595019967]
  注意空間にL1をベースとした正規化・精細化を施した,効率的かつトレーニング不要な機構である正規化注意誘導(NAG)を提案する。 NAGは、CFGが忠実性を維持しながら崩壊する効果的な負のガイダンスを復元する。 NAGはアーキテクチャ(UNet、DiT)、サンプリングレシスタンス(複数ステップ、複数ステップ)、モダリティ(イメージ、ビデオ)をまたいで一般化する
  論文  参考訳（メタデータ） (2025-05-27T13:30:46Z)
• Embed Progressive Implicit Preference in Unified Space for Deep Collaborative Filtering [13.24227546548424]
  GNOLR(Generalized Neural Ordinal Logistic Regression)は、ユーザエンゲージメントの構造的進行を捉えるために提案されている。 GNOLRは予測精度を高め、ユーザのエンゲージメントの進行を捉え、検索プロセスを単純化する。 10の実世界のデータセットでの実験では、GNOLRは効率と適応性において最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2025-05-27T08:43:35Z)
• Unearthing Gems from Stones: Policy Optimization with Negative Sample Augmentation for LLM Reasoning [41.83677588934301]
  負のサンプル拡張(BCPG-NSA)による行動制約付きポリシーのグラディエントを提案する。 BCPG-NSA は,1) サンプルセグメンテーション,2) LLM と PRM を併用した合意に基づくステップ正当性評価,3) 正のステップを負のサンプル内で効果的にマイニングするNSA とのポリシー最適化の3段階を含む,詳細なオフラインフレームワークである。 実験の結果、BCPG-NSAは、同じトレーニングデータセットを使用して、いくつかの挑戦的な数学/コーディング推論ベンチマークのベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-20T14:16:49Z)
• ACTRESS: Active Retraining for Semi-supervised Visual Grounding [52.08834188447851]
  前回の研究であるRefTeacherは、疑似自信と注意に基づく監督を提供するために教師学生の枠組みを採用することで、この課題に取り組むための最初の試みである。 このアプローチは、Transformerベースのパイプラインに従う現在の最先端のビジュアルグラウンドモデルと互換性がない。 本稿では, ACTRESS を略したセミスーパービジョン視覚グラウンドのためのアクティブ・リトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-03T16:33:31Z)
• SelfCF: A Simple Framework for Self-supervised Collaborative Filtering [72.68215241599509]
  協調フィルタリング(CF)は、観測された相互作用からユーザやアイテムの情報的潜在表現を学習するために広く用いられている。 本稿では,暗黙的なフィードバックを伴うレコメンデータシナリオに特化して設計された自己教師型協調フィルタリングフレームワーク(SelfCF)を提案する。 自制フレームワークのBUIRと比較して,SelfCFは平均17.79%の精度向上を実現している。
  論文  参考訳（メタデータ） (2021-07-07T05:21:12Z)
• Evaluating Modules in Graph Contrastive Learning [29.03038320344791]
  グラフコントラスト学習モデルを4つのモジュールに分解するフレームワークを提案する。 ノード分類タスクとグラフ分類タスクについて実験を行う。 モジュール化されたツールキットOpenGCLとして実装と結果をリリースします。
  論文  参考訳（メタデータ） (2021-06-15T14:14:23Z)
• Reinforced Negative Sampling over Knowledge Graph for Recommendation [106.07209348727564]
  我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(kgPolicy)を開発した。 kgPolicyは、ターゲットのポジティブなインタラクションからナビゲートし、知識を意識したネガティブなシグナルを適応的に受信し、最終的にはリコメンダをトレーニングする潜在的なネガティブなアイテムを生成する。
  論文  参考訳（メタデータ） (2020-03-12T12:44:30Z)

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。