論文の概要: KGATE : a Knowledge Graph Embedding Training Environment

• arxiv url: http://arxiv.org/abs/2610.09927v1
• Date: Wed, 07 Oct 2026 12:14:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.899029
• Title: KGATE : a Knowledge Graph Embedding Training Environment
• Title（参考訳）: KGATE : 学習環境を組み込んだ知識グラフ
• Abstract要約: KGATE(Knowledge Graph Autoencoder Training Environment)は、PyTorch GeometricとTorchKGEをベースとしたPythonライブラリである。 ユーザはイニシャライザ、エンコーダ、デコーダ、損失、負のサンプルラ、評価メトリクスをビルディングブロックとして組み立てたり、独自のブロックをプラグインしたりすることができる。 KGATEには、データ漏洩を制御する前処理手順、組み込みのトレーニングパイプライン、設計などが含まれている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Knowledge graph embedding (KGE) models encode the entities and relations of a knowledge graph into a low-dimensional latent space, enabling tasks such as classification or link prediction. Most KGE models follow an autoencoder architecture, in which an encoder projects the knowledge graph into the latent space and a decoder reconstruct it. Combining both encoder and decoder components is increasingly needed, yet existing libraries rarely support complete autoencoders, are often unmaintained, rely on undocumented default hyperparameters, and produce results that cannot be compared across libraries. Here we present KGATE (Knowledge Graph Autoencoder Training Environment), a modular Python library built on PyTorch Geometric and TorchKGE. KGATE lets users assemble initializers, encoders, decoders, losses, negative samplers, and evaluation metrics as building blocks, or plug in their own block. KGATE includes a preprocessing procedure that controls data leakage, a builtin training pipeline, and reproducibility by design. Benchmarks against six existing KGE libraries show that KGATE training time is comparable with the fastest libraries while offering a broader set of features.
• Abstract（参考訳）: 知識グラフ埋め込み(KGE)モデルは知識グラフの実体と関係を低次元の潜在空間にエンコードし、分類やリンク予測などのタスクを可能にする。 ほとんどのKGEモデルはオートエンコーダアーキテクチャに従い、エンコーダが知識グラフを潜在空間に投影し、デコーダがそれを再構成する。 エンコーダとデコーダのコンポーネントの組み合わせはますます必要になるが、既存のライブラリは完全なオートエンコーダをほとんどサポートせず、メンテナンスされていないことが多く、文書化されていないデフォルトのハイパーパラメータに依存し、ライブラリ間で比較できない結果を生成する。 ここでは、PyTorch GeometricとTorchKGE上に構築されたPythonライブラリであるKGATE(Knowledge Graph Autoencoder Training Environment)を紹介する。 KGATEでは、イニシャライザ、エンコーダ、デコーダ、損失、負のサンプリング器、評価メトリクスをビルディングブロックとして組み立てたり、独自のブロックをプラグインしたりすることができる。 KGATEには、データ漏洩を制御する前処理手順、組み込みのトレーニングパイプライン、設計による再現性が含まれている。 既存の6つのKGEライブラリに対するベンチマークでは、KGATEトレーニング時間は、より広範な機能セットを提供しながら、最も高速なライブラリに匹敵することを示している。

関連論文リスト

• Bar-JEPA: Extracting Values from Bar Chart with Joint-Embedding Predictive Architecture [50.95839069602553]
  バーチャートはデータ視覚化によく使われており、人間によって容易に理解されるが、基礎となるデータを抽出することは自明ではない。 そこでは、JEPAエンコーダを使用して、セマンティックにリッチな潜在機能を生成する。 このモデルとエンド・ツー・エンド・エンドの教師付きベースラインを比較すると, 自己教師付き微調整の有効性と抽出特徴の品質が明らかになる。
  論文  参考訳（メタデータ） (2026-08-06T14:07:26Z)
• KG2Code: Bridging Knowledge Graphs and Large Language Models via Executable Code for Question Answering [64.63418702318029]
  KG2Codeは知識グラフをコードベースの表現に変換する新しいアプローチである。 KG2Code-QAは、コード生成タスクとしてKGQAを定式化するKGQAフレームワークとして導入された。
  論文  参考訳（メタデータ） (2026-06-26T11:27:55Z)
• Quick Dense Retrievers Consume KALE: Post Training Kullback Leibler Alignment of Embeddings for Asymmetrical dual encoders [89.29256833403169]
  我々は,高密度検索手法の推論効率を高めるための効率的かつ正確な手法であるKulback Leibler Alignment of Embeddings (KALE)を紹介した。 KALEは、バイエンコーダトレーニング後の従来の知識蒸留を拡張し、完全なリトレーニングやインデックス生成なしに効率的なクエリエンコーダ圧縮を可能にする。 KALEと非対称トレーニングを用いることで、3倍高速な推論を持つにもかかわらず、DistilBERTの性能を超えるモデルを生成することができる。
  論文  参考訳（メタデータ） (2023-03-31T15:44:13Z)
• KG-Hub -- Building and Exchanging Biological Knowledge Graphs [0.5369297590461578]
  KG-Hubは知識グラフの標準化された構築、交換、再利用を可能にするプラットフォームである。 現在のKG-Hubプロジェクトは、新型コロナウイルス研究、薬物再精製、微生物-環境相互作用、希少疾患研究などのユースケースにまたがっている。
  論文  参考訳（メタデータ） (2023-01-31T21:29:35Z)
• LambdaKG: A Library for Pre-trained Language Model-Based Knowledge Graph Embeddings [32.371086902570205]
  本稿では,知識グラフ補完,質問応答,推薦,知識探索のためのライブラリLambdaKGを紹介する。 LambdaKGはhttps://github.com/zjunlp/PromptKG/tree/main/lambdaKGで公開されている。
  論文  参考訳（メタデータ） (2022-10-01T16:01:53Z)
• gBuilder: A Scalable Knowledge Graph Construction System for Unstructured Corpus [17.39200164764545]
  我々は,構造化されていないコーパスから構造化知識を抽出する,ユーザフレンドリでスケーラブルな知識グラフ構築システム(KGC)を設計する。 gBuilderは、IEモデルの迅速な開発を受け入れるために、フレキシブルでユーザ定義のパイプラインを提供する。 また,大規模知識グラフ構築におけるスケーラビリティを確保するために,gBuilderのためのクラウドベースの自己適応型タスクスケジューリングを設計する。
  論文  参考訳（メタデータ） (2022-08-20T15:07:06Z)
• Sequence-to-Sequence Knowledge Graph Completion and Question Answering [8.207403859762044]
  既製のエンコーダ・デコーダ変換器モデルは,スケーラブルで汎用的なKGEモデルとして機能することを示す。 我々は,KGリンク予測をシーケンス・ツー・シーケンス・タスクとして用い,従来のKGE手法による3つのスコアリングアプローチを自己回帰復号化と交換することで,これを実現する。
  論文  参考訳（メタデータ） (2022-03-19T13:01:49Z)
• Neural Distributed Source Coding [59.630059301226474]
  相関構造に依存せず,高次元までスケール可能な損失DSCのためのフレームワークを提案する。 提案手法は,複数のデータセット上で評価し,複雑な相関関係と最先端PSNRを扱えることを示す。
  論文  参考訳（メタデータ） (2021-06-05T04:50:43Z)

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。