論文の概要: Towards Building Knowledge by Merging Multiple Ontologies with CoMerger: A Partitioning-based Approach

• arxiv url: http://arxiv.org/abs/2005.02659v1
• Date: Wed, 6 May 2020 08:45:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 05:42:48.826217
• Title: Towards Building Knowledge by Merging Multiple Ontologies with CoMerger: A Partitioning-based Approach
• Title（参考訳）: CoMergerと複数オントロジを融合した知識構築に向けて:分割に基づくアプローチ
• Authors: Samira Babalou, Birgitta K\"onig-Ries
• Abstract要約: オンロジは、Webでデータを整理する一番の方法です。 既存のオノロジーのマージアプローチは、主にバイナリマージを実装している。 スケーラブルな多重マージ手法であるCoMergeを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ontologies are the prime way of organizing data in the Semantic Web. Often, it is necessary to combine several, independently developed ontologies to obtain a knowledge graph fully representing a domain of interest. The complementarity of existing ontologies can be leveraged by merging them. Existing approaches for ontology merging mostly implement a binary merge. However, with the growing number and size of relevant ontologies across domains, scalability becomes a central challenge. A multi-ontology merging technique offers a potential solution to this problem. We present CoMerger, a scalable multiple ontologies merging method. For efficient processing, rather than successively merging complete ontologies pairwise, we group related concepts across ontologies into partitions and merge first within and then across those partitions. The experimental results on well-known datasets confirm the feasibility of our approach and demonstrate its superiority over binary strategies. A prototypical implementation is freely accessible through a live web portal.
• Abstract（参考訳）: ontologiesはsemantic webでデータを整理する最重要の方法だ。 しばしば、複数の独立に開発されたオントロジーを組み合わせて、関心領域を完全に表現した知識グラフを得る必要がある。 既存のオントロジーの相補性は、それらをマージすることで活用できる。 既存のオントロジーマージのアプローチは、主にバイナリマージを実装している。 しかし、ドメイン間の関連するオントロジーの数とサイズが増加するにつれ、スケーラビリティは中心的な課題となる。 マルチオントロジーマージ技術は、この問題に対する潜在的な解決策を提供する。 スケーラブルな多重オントロジマージ手法であるCoMergerを提案する。 完全オントロジーを相互にマージする代わりに、効率的な処理のために、私たちは関連する概念を各オントロジーにまとめてパーティションにまとめ、まずそれらのパーティションにマージします。 よく知られているデータセットにおける実験結果は,このアプローチの実現可能性を確認し,二進戦略よりもその優越性を示す。 プロトタイプの実装は、ライブWebポータルを通じて自由にアクセスできる。

関連論文リスト

• Data-driven Coreference-based Ontology Building [48.995395445597225]
  参照解決は、伝統的に個々の文書理解のコンポーネントとして使用される。 よりグローバルな視点で、すべてのドキュメントレベルのコア参照関係から、ドメインについて何が学べるかを探求します。 コードとともに、クリエイティブ・コモンズライセンスの下でコア参照チェーンをリリースします。
  論文  参考訳（メタデータ） (2024-10-22T14:30:40Z)
• GSSF: Generalized Structural Sparse Function for Deep Cross-modal Metric Learning [51.677086019209554]
  ペアワイド類似性学習のためのモダリティ間の強力な関係を捕捉する汎用構造スパースを提案する。 距離メートル法は、対角線とブロック対角線の2つの形式を微妙にカプセル化する。 クロスモーダルと2つの余分なユニモーダル検索タスクの実験は、その優位性と柔軟性を検証した。
  論文  参考訳（メタデータ） (2024-10-20T03:45:50Z)
• From Text to Pixels: A Context-Aware Semantic Synergy Solution for Infrared and Visible Image Fusion [66.33467192279514]
  我々は、テキスト記述から高レベルなセマンティクスを活用し、赤外線と可視画像のセマンティクスを統合するテキスト誘導多モード画像融合法を提案する。 本手法は,視覚的に優れた融合結果を生成するだけでなく,既存の手法よりも高い検出mAPを達成し,最先端の結果を得る。
  論文  参考訳（メタデータ） (2023-12-31T08:13:47Z)
• Community detection in complex networks via node similarity, graph representation learning, and hierarchical clustering [4.264842058017711]
  コミュニティ検出は、実際のグラフを分析する上で重要な課題である。 この記事では,この課題に対処する3つの新しい階層型フレームワークを提案する。 ブロックモデルグラフと実生活データセットにおける100以上のモジュールの組み合わせを比較します。
  論文  参考訳（メタデータ） (2023-03-21T22:12:53Z)
• HybridGNN: Learning Hybrid Representation in Multiplex Heterogeneous Networks [26.549559266395775]
  本稿では,ハイブリッドアグリゲーションフローと階層的アテンションを備えたエンドツーエンドグラフニューラルネットワークモデルであるHybridGNNを提案する。 以上の結果から,HybridGNNはいくつかの最先端ベースラインと比較して最高の性能を示す。
  論文  参考訳（メタデータ） (2022-08-03T13:39:47Z)
• Fast Multi-view Clustering via Ensembles: Towards Scalability, Superiority, and Simplicity [63.85428043085567]
  本稿では,アンサンブル(FastMICE)アプローチによる高速なマルチビュークラスタリングを提案する。 ランダムなビュー群の概念は、多目的なビューワイズ関係を捉えるために提示される。 FastMICEは、ほぼ線形時間と空間の複雑さを持ち、データセット固有のチューニングは不要である。
  論文  参考訳（メタデータ） (2022-03-22T09:51:24Z)
• Centralized Information Interaction for Salient Object Detection [68.8587064889475]
  U字型構造は、多スケールの機能を効率的に組み合わせるサリエント物体検出に長けている。 本稿では,これらの接続を集中化することにより,相互に相互に情報交換を行うことができることを示す。 本手法は, ボトムアップ経路とトップダウン経路の接続を置換することにより, 既存のU字型サルエント物体検出手法と協調することができる。
  論文  参考訳（メタデータ） (2020-12-21T12:42:06Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)
• Multi-objective Clustering Algorithm with Parallel Games [0.29005223064604074]
  本稿では,ゲーム理論モデルを用いて多目的アプリケーション問題に対処するクラスタリング手法を提案する。 提案アルゴリズムは,1)初期プレイヤー(またはクラスタヘッド)の同定から始まり,2)初期クラスタの構成をゲームの構築によって確立し,ゲームの平衡を見出そうとする。 実験結果から,提案手法は良好な結果を得ることができ,スケーラビリティや性能の面では非常に有望であることが示唆された。
  論文  参考訳（メタデータ） (2020-07-10T00:28:50Z)

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。