Fugu-MT 論文翻訳(概要): The Knowledge Graph Track at OAEI -- Gold Standards, Baselines, and the Golden Hammer Bias

論文の概要: The Knowledge Graph Track at OAEI -- Gold Standards, Baselines, and the Golden Hammer Bias

arxiv url: http://arxiv.org/abs/2002.10283v1
Date: Mon, 24 Feb 2020 14:35:02 GMT
ステータス: 処理完了
システム内更新日: 2022-12-29 04:24:07.710099
Title: The Knowledge Graph Track at OAEI -- Gold Standards, Baselines, and the Golden Hammer Bias
Title（参考訳）: OAEIの知識グラフトラック -ゴールドスタンダード、ベースライン、ゴールデンハマーバイアス
Authors: Sven Hertling, Heiko Paulheim
Abstract要約: 我々は、知識グラフトラックの設計と、金標準作成の2つの異なる戦略について議論する。トラックに提出されたすべてのツール(そしておそらく他のトラックにも)が、黄金のハンマーバイアスと呼ばれるバイアスに悩まされていることを示す。
参考スコア（独自算出の注目度）: 2.3605348648054463
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The Ontology Alignment Evaluation Initiative (OAEI) is an annual evaluation of ontology matching tools. In 2018, we have started the Knowledge Graph track, whose goal is to evaluate the simultaneous matching of entities and schemas of large-scale knowledge graphs. In this paper, we discuss the design of the track and two different strategies of gold standard creation. We analyze results and experiences obtained in first editions of the track, and, by revealing a hidden task, we show that all tools submitted to the track (and probably also to other tracks) suffer from a bias which we name the golden hammer bias.
Abstract（参考訳）: オントロジーアライメント評価イニシアチブ(OAEI)は、オントロジーマッチングツールの年次評価である。 2018年に我々は、大規模知識グラフのエンティティとスキーマの同時マッチングを評価することを目的として、Knowledge Graphトラックを開始した。本稿では,トラックの設計とゴールドスタンダード作成の2つの異なる戦略について論じる。トラックの最初の版で得られた結果と経験を分析し、隠れたタスクを明らかにすることで、トラックに提出されたすべてのツール(おそらく他のトラックにも)が黄金のハンマーバイアスと呼ばれるバイアスに悩まされていることを示す。

関連論文リスト

GSINA: Improving Subgraph Extraction for Graph Invariant Learning via Graph Sinkhorn Attention [52.67633391931959]
グラフ不変学習(GIL)は,グラフデータとそのラベル間の不変性を発見するための効果的な手法である。グラフシンクホーン注意機構(GSINA)を提案する。 GSINAは、制御可能な空間性と柔らかさを持つ有意義で微分可能な不変部分グラフを得ることができる。
論文参考訳（メタデータ） (2024-02-11T12:57:16Z)
A Study on Knowledge Graph Embeddings and Graph Neural Networks for Web Of Things [0.0]
将来的には、Web Of Things(WoT)の領域における知識グラフは、物理世界のデジタル表現を提供することである。本稿では,グラフエンティティの数値表現を学習するために,最先端知識グラフ埋め込み(KGE)法について検討する。また、KGEとともにグラフニューラルネットワーク(GNN)を調査し、同じ下流タスクでの性能を比較する。
論文参考訳（メタデータ） (2023-10-23T12:36:33Z)
SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文参考訳（メタデータ） (2023-08-03T07:00:04Z)
Gollum: A Gold Standard for Large Scale Multi Source Knowledge Graph Matching [2.3605348648054463]
我々は、4,149の異なるKG間で275,000以上の対応を持つ大規模マルチソース知識グラフのゴールドスタンダードであるGollumを提示する。これは、DBpedia抽出フレームワークを大規模wikiファームに適用した知識グラフに由来する。
論文参考訳（メタデータ） (2022-09-15T17:21:43Z)
The DLCC Node Classification Benchmark for Analyzing Knowledge Graph Embeddings [2.3605348648054463]
DLCCベンチマークは,どのクラスを表現できるかという観点から,埋め込みアプローチを解析するためのリソースである。 2つのゴールド標準が提示され、1つは現実世界の知識グラフDBpediaと1つの合成ゴールド標準に基づいている。我々はDBpedia上の多くのDLコンストラクタが、ゴールド標準で定義されたものと異なる相関パターンを認識することで実際に学習されていることを発見した。
論文参考訳（メタデータ） (2022-07-13T07:43:51Z)
Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
論文参考訳（メタデータ） (2022-06-21T01:46:38Z)
Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
論文参考訳（メタデータ） (2022-05-24T16:22:40Z)
Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
論文参考訳（メタデータ） (2021-12-19T05:04:53Z)
Tackling the Challenges in Scene Graph Generation with Local-to-Global Interactions [4.726777092009554]
SGG(Scene Graph Generation)タスクの根底にある課題に対する新たな洞察を求めている。この分析に触発され、我々は新しいSGGフレームワークLOGIN(LoGIN)を設計した。本フレームワークは,シーングラフを設計により局所的・言語的に予測し,相補性を生かした。
論文参考訳（メタデータ） (2021-06-16T03:58:21Z)
Opening up Open-World Tracking [62.12659607088812]
オープンワールドトラッキング(OWT)の提案と研究本稿では,OWTタスクの形式化と評価プロトコルとメトリクス(OWTA)について述べる。我々のOpen-World Tracking Baselineは、OWT設定でうまく機能する一方で、従来のクローズドワールドベンチマークでほぼ最先端の結果が得られることを示す。
論文参考訳（メタデータ） (2021-04-22T17:58:15Z)

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。