知識グラフ埋め込みは重要なタスクであり、多くの下流アプリケーションに貢献する。現在、深層ニューラルネットワークを基盤とする手法が最先端の性能を達成している。しかし、これらの多くは非常に複雑であり、学習および推論に多大な時間がかかるという課題を抱えている。この問題に対処するため、本研究ではシンプルでありながら効果的なアトロス畳み込み（atrous convolution）を用いた知識グラフ埋め込み手法を提案する。既存の最先端手法と比較して、本手法は以下の主な特徴を持つ。第一に、アトロス畳み込みを用いることで、特徴間の相互作用を効果的に強化できる。第二に、初期情報の消失問題や勾配消失／爆発問題に対処するため、リズム学習（residual learning）を導入している。第三に、構造が単純である一方で、パラメータ効率が非常に高い。本手法は、異なる評価指標を用いた6つのベンチマークデータセット上で評価された。広範な実験結果から、本モデルが非常に有効であることが示された。多様なデータセットにおいて、比較対象の最先端手法と比較して、多数の評価指標で優れた結果を達成した。本モデルのソースコードは、https://github.com/neukg/AcrE にて公開されている。