基于知识图谱的混合表示学习
本文提出了一个知识图谱和门控图神经网络相结合的框架,名为知识嵌入表示学习框架,用于处理细粒度图像识别问题,并在广泛使用的 Caltech-UCSD 鸟数据集上进行了大量实验,证明了该框架超越现有的最先进方法。
Jul, 2018
本文介绍了基于嵌入式知识图谱网络的知识库完成方法,通过使用端到端反向传播训练,可以将大型知识库压缩成优化的版本,并在知识库完成基准测试中取得了最新的最佳结果。
Nov, 2016
本文提出了一种名为 OEPG 的方法,可以用于图表示学习。该方法可以将全局的语义嵌入到本地图卷积中,实现本地图卷积与全局信息的相互适应,并可以通过预处理任务和动量更新来提高性能
May, 2022
本文综述了利用知识图谱的视觉迁移学习方法,着重分析知识图谱的建模结构、特征提取和知识图嵌入方法,并介绍了四种知识图谱与深度学习管道的组合方式。同时,提供了评估基准、处理数据集和基于知识图谱的辅助知识类型的概述。未来的研究应着眼于挖掘面临的挑战和开放问题。
Jan, 2022
该论文提出了一种统一框架,名为 GraphLoG,用于自监督整图表示学习,其除保留本地相似性外,还引入了分层原型来捕捉全局语义簇,进一步发展了一个高效的在线期望最大化算法来学习该模型,并在化学和生物基准数据集上进行了广泛实验,证明所提出的方法的有效性。
Jun, 2021
本文提出了一种称为 DeepGL 的通用图表示学习框架,用于从大型(带属性)图中学习深层节点和边表示,并呈现了其对于跨网络迁移学习任务和属性图表示学习的有效性,空间效率良好,速度快,并且在许多学习任务上具有平均 20%或更多的提高。
Apr, 2017
本文介绍了利用 Hyperboloid Embeddings 学习知识图谱表示的自监督逻辑查询推理方法,并将其应用于真实世界数据集和异常检测任务中,取得了显著的性能提升。
Dec, 2020
本文提出了一种新的方法来学习基于视觉的单词含义表示,即在底层模态特定的词语表示上建立相互通信的图形,通过模拟人类相似性判断和概念分类来验证其能力,名为分层多模态相似性图嵌入(HM-SGE)。
Sep, 2021
本文提出一种新的算法 —— 动态图形学习,旨在在动态图形中共同学习图形信息和时间信息,并利用梯度元学习来学习更新策略,在快照上具有比 RNN 更好的泛化能力,能够训练任何基于消息传递的图神经网络以增强表示能力。
Nov, 2021
本文提出了一种基于神经网络的模型 DeepE,在知识图谱嵌入任务中运用多个构建模块,通过对头实体和关系进行预测来预测尾实体。模型堆叠多个构建模块以预测尾实体。这些构建模块等同于使用不同非线性深度的一组学习函数。DeepE 的主要优点是鲁棒性,比其他基线模型表现更好。
Nov, 2022