抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】