知識表現学習のための単純で効率的な関係ベース埋込み伝搬【JST・京大機械翻訳】

Wang Huijuan; Dai Siming; Su Weiyue; Zhong Hui; Fang Zeyang; Huang Zhengjie; Feng Shikun; Chen Zeyu; Sun Yu; Yu Dianhai

プレプリント

J-GLOBAL ID：202202208843041200 整理番号：22P0349543

知識表現学習のための単純で効率的な関係ベース埋込み伝搬【JST・京大機械翻訳】

Simple and Effective Relation-based Embedding Propagation for Knowledge Representation Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (10件)： , , , , , , , , ,
資料名：
発行年： 2022年05月13日プレプリントサーバーでの情報更新日： 2022年05月13日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

関係グラフニューラルネットワークは,知識グラフ(KG)におけるグラフコンテキストを符号化するために,特に注意した。それらは小さなKG上で競合性能を達成したが,大規模KGに対するグラフコンテキストをいかに効率的に利用するかは未解決の問題である。この目的のために,関係ベースの埋込み伝搬(REP)法を提案した。それは,グラフコンテキストで事前訓練されたKG埋込みを適応させる後処理技術である。KGにおける関係は方向的であるので,著者らは,入力するヘッドコンテキストと外向きのテールコンテキストを別々にモデル化した。従って,外部パラメータのない関係コンテキスト関数を設計した。さらに,コンテキスト情報を集約するために平均化を用いて,REPをより計算効率の良いものにした。そのような設計が伝搬中の情報歪を避けることができることを理論的に証明した。大規模な実験はまた,REPが予測品質を改善し,維持しながら顕著なスケーラビリティを持つことを示した。特に,OGBL-WikiKG2上の三重項ベース埋込み法に対して約10%の相対的改善をもたらし,最先端のGC-OTEと同等の結果を達成するために,5%~83%の時間を要した。【JST・京大機械翻訳】

, , , , , , ,
, , 【Automatic Indexing@JST】

人工知能

, , , ,

前のページに戻る