技術や手法のキモはどこ?
n x n x m のテンソルについて,n x n のスライスごとで分解する.具体的には,n x rの行列A(エンティティの潜在変数), r x rの行列Rk(k個目のpredicateにおける潜在変数の相関),Aの転置行列に分解される.既存手法でDEDICOMという類似した手法があるが,Rkによってより多次元関係のデータに対応が可能になった.
どうやって有効だと検証した?
下記のタスクで既存手法(CP,DEDICOMなど)とAUCを比較.
1.エンティティ分類のタスク(DBpediaからデータ作成,93 x 93 x 3)
2.エンティティ同定のタスク(Cora dataset,2497 x 2497 x 7)
3.リンク予測のタスク(先行研究のデータセットに準拠)
4.エンティティのクラスタリング (同上)
論文タイトル A Three-Way Model for Collective Learning on Multi-Relational Data(ICML'11)
著者(所属) Maximilian Nickel (Ludwig-Maximilians-Universität, Munich, Germany) Volker Tresp (Siemens AG, Corporate Technology, Munich, Germany) Hans-Peter Kriegel (Ludwig-Maximilians-Universität, Munich, Germany)
論文PDF/ランディングページへのリンク http://www.cip.ifi.lmu.de/~nickel/data/slides-icml2011.pdf
論文まとめ(落合フォーマット準拠)
どんなもの? RESCALというGraph Embeddingに関する手法を提案.Knowledge baseを3階テンソル分解して,ノード(エンティティ)を特徴ベクトルで表現する.エンティティ分類やエンティティ同定などのタスクにおいて,既存手法より良い結果だった.
先行研究と比べてどこがすごい? 精度だけではなく,実行時間も既存手法に比べて速い.
技術や手法のキモはどこ? n x n x m のテンソルについて,n x n のスライスごとで分解する.具体的には,n x rの行列A(エンティティの潜在変数), r x rの行列Rk(k個目のpredicateにおける潜在変数の相関),Aの転置行列に分解される.既存手法でDEDICOMという類似した手法があるが,Rkによってより多次元関係のデータに対応が可能になった.
どうやって有効だと検証した? 下記のタスクで既存手法(CP,DEDICOMなど)とAUCを比較. 1.エンティティ分類のタスク(DBpediaからデータ作成,93 x 93 x 3) 2.エンティティ同定のタスク(Cora dataset,2497 x 2497 x 7) 3.リンク予測のタスク(先行研究のデータセットに準拠) 4.エンティティのクラスタリング (同上)
議論はある? 1と2の実験のデータセットにおけるpredicateの種類数は少ない印象,predicateの種類数を増やした時に結果はどうなる?
次に読むべき論文は? Translating Embeddings for Modeling Multi-relational Data(http://papers.nips.cc/paper/5071-translating-embeddings-for-modeling-multi-relational-data)