May, 2019

多关系 Poincaré 图嵌入

PDF
TL;DR本研究提出了一种称为 MuRP 的多关系泊松球模型，用于在 Poincaré 空间中嵌入多关系图数据，并学习关系特定参数以通过 Möbius 矩阵 - 向量乘法和 Möbius 相加来转换嵌入，实验表明 Poincare 嵌入在链接预测任务中比欧几里得模型和现有嵌入方法的效果更好，特别是在低维度的情况下。
hyperbolic embeddingsmulti-relational knowledge graphspoincaré ball modelmurplink prediction
发现论文，激发创造
  • Poincaré 嵌入用于学习分层表达

    通过将符号数据嵌入超载空间（或更确切地说是 n 维庞加莱球）来学习符号数据的分层表示的方法，通过实验证明 Poincare 嵌入在具有潜在层次结构的数据上显着优于欧几里得嵌入，无论是在表示能力还是泛化能力方面。

    May, 2017

  • 低维双曲知识图谱嵌入

    本文介绍了一种超几何知识图嵌入方法，可以同时捕捉层次结构和逻辑模式，并在现有方法的基础上提高了平均倒数排名（MRR）达 6.1%。

    May, 2020

  • 双加号双加号双曲神经网络 ++

    本文介绍了一种基于 Poincaré ball 模型的新型超似曲空间神经网络，该网络构建了多项式逻辑回归、全连接层、卷积层和注意机制，更高效地捕捉数据的分层结构，并在参数效率、稳定性和表现方面优于现有的超似曲组件及欧几里德同类模型。

    Jun, 2020

  • 超超负曲率知识图谱嵌入

    本文提出了一种新的知识图谱嵌入方法 UltraE，它使用超弦广义相对论模型天衣无缝地将双曲和球形流形交错地组织起来，使其能够同时建模异构结构和复杂的关系模式，实验结果表明，UltraE 优于之前的欧几里得和双曲嵌入方法。

    Jun, 2022

  • 双曲神经网络

    通过将 M"obius gyrovector 空间的形式主义与 Poincarе模型的 Riemannian 几何相结合，我们提出了重要深度学习工具的超几何版本：多项式逻辑回归、前馈和循环神经网络。这样可以在超几何空间中嵌入序列数据并进行分类。实验证明，即使超几何优化工具受限，超几何句子嵌入在文本蕴含和噪声前缀识别任务中的表现要么优于，要么与欧几里得变体相当。

    May, 2018

  • 使用双曲线知识图嵌入进行知识关联

    本论文提出一种基于超球面嵌入的超球面关系图神经网络模型，通过实体对齐和类型推断等任务，捕捉知识图谱中的关系，并证明该模型具有有效性和效率。

    Oct, 2020

  • 超几何空间中图的神经嵌入

    通过在超宇宙中学习神经嵌入，可以在图结构数据中提高特征表达的性能，我们的实验证明了在自然几何形态下嵌入图可以显著提高多个实际数据集的性能。

    May, 2017

  • 自然语言定义的多关系双曲词嵌入

    本文提出了一种神经符号、多关系框架来仅通过自然语言定义学习单词嵌入，特别地，通过在超几何空间中学习，将维护向量空间中的显式概念关系和约束。实验结果表明，这种方法可以帮助强制执行期望的结构约束，同时保留可控和可解释的语义导航，而且超几何词嵌入优于欧几里得空间的词嵌入。

    May, 2023

  • 超几何知识图嵌入的 3D 旋转和平移

    该研究介绍了一种叫做 3H-TH 的新型模型，可以同时捕捉对称、反对称、倒置、交换组合、非交换组合、层级和多重性等许多关系模式，实验结果表明，在低维空间中，该模型在精度、层级属性和其他关系模式方面优于现有的最先进模型，但在高维空间中表现相似。

    May, 2023

  • 在 Poincare 球中高度可扩展且可证明准确的分类

    该论文提出了一种基于 Poincaré ball 模型的统一框架，用于构建可伸缩、简单的超几何线性分类器，并给出了凸优化的解决方案，该算法在合成数据集和真实数据集上的表现均有很高的准确率。

    Sep, 2021