論文の概要: Coordinated Reasoning for Cross-Lingual Knowledge Graph Alignment

• arxiv url: http://arxiv.org/abs/2001.08728v1
• Date: Thu, 23 Jan 2020 18:41:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 13:06:24.557262
• Title: Coordinated Reasoning for Cross-Lingual Knowledge Graph Alignment
• Title（参考訳）: 言語間知識グラフアライメントのためのコーディネート推論
• Authors: Kun Xu, Linfeng Song, Yansong Feng, Yan Song, Dong Yu
• Abstract要約: 本稿では,2つのコーディネート推論手法,すなわち Easy-to-Hardデコード戦略とジョイントエンティティアライメントアルゴリズムを導入する。 我々のモデルは最先端の性能を実現し,提案手法は既存のベースラインを大幅に改善する。
• 参考スコア（独自算出の注目度）: 74.0482641714311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing entity alignment methods mainly vary on the choices of encoding the knowledge graph, but they typically use the same decoding method, which independently chooses the local optimal match for each source entity. This decoding method may not only cause the "many-to-one" problem but also neglect the coordinated nature of this task, that is, each alignment decision may highly correlate to the other decisions. In this paper, we introduce two coordinated reasoning methods, i.e., the Easy-to-Hard decoding strategy and joint entity alignment algorithm. Specifically, the Easy-to-Hard strategy first retrieves the model-confident alignments from the predicted results and then incorporates them as additional knowledge to resolve the remaining model-uncertain alignments. To achieve this, we further propose an enhanced alignment model that is built on the current state-of-the-art baseline. In addition, to address the many-to-one problem, we propose to jointly predict entity alignments so that the one-to-one constraint can be naturally incorporated into the alignment prediction. Experimental results show that our model achieves the state-of-the-art performance and our reasoning methods can also significantly improve existing baselines.
• Abstract（参考訳）: 既存のエンティティアライメント手法は、主に知識グラフのエンコーディングの仕方によって異なるが、典型的には、各ソースエンティティの局所的最適マッチングを独立に選択する同じデコード法を用いる。 この復号法は、"many-to-one"問題を引き起こすだけでなく、このタスクのコーディネートされた性質を無視し、すなわち各アライメント決定は他の決定と非常に相関する。 本稿では,2つの協調推論手法,すなわち Easy-to-Hard 復号法とジョイントエンティティアライメントアルゴリズムを提案する。 具体的には、Easy-to-Hard戦略はまず予測結果からモデル信頼アライメントを取得し、その後、残りのモデル信頼アライメントを解決するための追加の知識としてそれらを組み込む。 これを実現するために,我々は現在最先端のベースライン上に構築された拡張アライメントモデルを提案する。 さらに、多対一の問題に対処するため、一対一の制約をアライメント予測に自然に組み込むことができるように、共同でエンティティアライメントを予測することを提案する。 実験の結果,本モデルが最先端の性能を達成し,既存のベースラインを大幅に改善できることがわかった。

関連論文リスト

• Combining Optimal Transport and Embedding-Based Approaches for More Expressiveness in Unsupervised Graph Alignment [19.145556156889064]
  教師なしグラフアライメントは、グラフ構造とノード特徴のみを利用して、属性グラフのペア間の1対1ノード対応を見つける。 モデル表現性の理論的解析によって動機付けられたそれらの利点を組み合わせるための原理的アプローチを提案する。 我々は,問題を最大重み付けに還元することで,一対一のマッチング制約を最初に保証する。
  論文  参考訳（メタデータ） (2024-06-19T04:57:35Z)
• Best-Effort Adaptation [62.00856290846247]
  本稿では, 試料再重み付け法に関する新しい理論的解析を行い, 試料再重み付け法を一様に保持する境界について述べる。 これらの境界が、我々が詳細に議論する学習アルゴリズムの設計を導く方法を示す。 本稿では,本アルゴリズムの有効性を実証する一連の実験結果について報告する。
  論文  参考訳（メタデータ） (2023-05-10T00:09:07Z)
• Context-Aware Ensemble Learning for Time Series [11.716677452529114]
  本稿では,ベースモデルの特徴ベクトルの結合である特徴のスーパーセットを用いて,ベースモデル予測を効果的に組み合わせたメタ学習手法を提案する。 我々のモデルは、ベースモデルの予測を機械学習アルゴリズムの入力として使用するのではなく、問題の状態に基づいて各時点における最良の組み合わせを選択する。
  論文  参考訳（メタデータ） (2022-11-30T10:36:13Z)
• Language Model Decoding as Likelihood-Utility Alignment [54.70547032876017]
  モデルの有効性がタスク固有の実用性の概念とどのように一致しているかについて、暗黙の仮定に基づいて、デコード戦略をグループ化する分類法を導入する。 具体的には、様々なタスクの集合における予測の可能性と有用性の相関を解析することにより、提案された分類を裏付ける最初の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2022-10-13T17:55:51Z)
• Deep Reinforcement Learning for Entity Alignment [25.78510840144251]
  強化学習(RL)に基づくエンティティアライメントフレームワークを提案する。 ほとんどの埋め込みベースのエンティティアライメントメソッドに柔軟に適用できる。 いくつかの最先端メソッドのパフォーマンスを継続的に向上し、Hits@1で最大31.1%向上した。
  論文  参考訳（メタデータ） (2022-03-07T11:49:40Z)
• Deep Probabilistic Graph Matching [72.6690550634166]
  本稿では,マッチング制約を伴わずに,元のQAPに適合する深層学習ベースのグラフマッチングフレームワークを提案する。 提案手法は,一般的な3つのベンチマーク(Pascal VOC,Wilow Object,SPair-71k)で評価され,すべてのベンチマークにおいて過去の最先端よりも優れていた。
  論文  参考訳（メタデータ） (2022-01-05T13:37:27Z)
• Reinforcement Learning based Collective Entity Alignment with Adaptive Features [35.04861875266298]
  本稿では,エンティティを集合的にアライメントする強化学習(RL)モデルを提案する。 RLフレームワークでは、相互依存と集団アライメントを特徴付けるコヒーレンスと排他的性制約を考案しています。 提案手法は,言語横断型と単言語型の両方のEAベンチマークで評価し,最先端のソリューションと比較した。
  論文  参考訳（メタデータ） (2021-01-05T05:04:09Z)
• Differentiable Causal Discovery from Interventional Data [141.41931444927184]
  本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。 提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T15:19:17Z)
• Fast Template Matching and Update for Video Object Tracking and Segmentation [56.465510428878]
  私たちが取り組もうとしている主な課題は、フレームの列にまたがるマルチインスタンスの半教師付きビデオオブジェクトセグメンテーションである。 課題は、結果を予測するためのマッチングメソッドの選択と、ターゲットテンプレートを更新するかどうかを決定することである。 本稿では,これら2つの決定を同時に行うために,強化学習を利用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-04-16T08:58:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。