Fugu-MT 論文翻訳(概要): EAGER: Embedding-Assisted Entity Resolution for Knowledge Graphs

論文の概要: EAGER: Embedding-Assisted Entity Resolution for Knowledge Graphs

arxiv url: http://arxiv.org/abs/2101.06126v1
Date: Fri, 15 Jan 2021 14:12:10 GMT
ステータス: 処理完了
システム内更新日: 2021-03-28 16:13:24.725307
Title: EAGER: Embedding-Assisted Entity Resolution for Knowledge Graphs
Title（参考訳）: EAGER:知識グラフのための埋め込み支援エンティティ解決
Authors: Daniel Obraczka, Jonathan Schuchart, Erhard Rahm
Abstract要約: EAGER(Embedding-Assisted Knowledge Graph Entity Resolution)と呼ばれる,より包括的なERアプローチを提案する。異なる大きさの知識グラフと構造化された知識グラフを持つ23のベンチマークデータセットに対するアプローチを評価した。
参考スコア（独自算出の注目度）: 4.363674669941547
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Entity Resolution (ER) is a constitutional part for integrating different knowledge graphs in order to identify entities referring to the same real-world object. A promising approach is the use of graph embeddings for ER in order to determine the similarity of entities based on the similarity of their graph neighborhood. The similarity computations for such embeddings translates to calculating the distance between them in the embedding space which is comparatively simple. However, previous work has shown that the use of graph embeddings alone is not sufficient to achieve high ER quality. We therefore propose a more comprehensive ER approach for knowledge graphs called EAGER (Embedding-Assisted Knowledge Graph Entity Resolution) to flexibly utilize both the similarity of graph embeddings and attribute values within a supervised machine learning approach. We evaluate our approach on 23 benchmark datasets with differently sized and structured knowledge graphs and use hypothesis tests to ensure statistical significance of our results. Furthermore we compare our approach with state-of-the-art ER solutions, where our approach yields competitive results for table-oriented ER problems and shallow knowledge graphs but much better results for deeper knowledge graphs.
Abstract（参考訳）: エンティティ分解(ER)は、同じ現実世界のオブジェクトを参照するエンティティを特定するために異なる知識グラフを統合するための構成的な部分である。有望なアプローチは、そのグラフ近傍の類似性に基づいてエンティティの類似性を決定するために、ERに対するグラフ埋め込みを使用することである。そのような埋め込みに対する類似性計算は、比較的単純な埋め込み空間におけるそれらの間の距離を計算することを意味する。しかし,従来の研究では,グラフ埋め込みだけでは高いER品質を実現するには不十分であることが示されている。そこで我々は,教師付き機械学習手法におけるグラフ埋め込みと属性値の類似性を柔軟に活用するために,eager(embedding-assisted knowledge graph entity resolution)と呼ばれる知識グラフに対するより包括的なerアプローチを提案する。異なる大きさで構造化された知識グラフを持つ23のベンチマークデータセットに対するアプローチを評価し、仮説テストを用いて結果の統計的意義を確かめる。さらに,我々のアプローチを最先端erソリューションと比較し,テーブル指向er問題と浅い知識グラフの競合結果をもたらすが,より深い知識グラフではずっと良い結果が得られる。

関連論文リスト

RAGraph: A General Retrieval-Augmented Graph Learning Framework [35.25522856244149]
我々は、RAGraph(General Retrieval-Augmented Graph Learning)と呼ばれる新しいフレームワークを紹介する。 RAGraphは、一般的なグラフ基盤モデルに外部グラフデータを導入し、目に見えないシナリオにおけるモデルの一般化を改善する。推論中、RAGraphは下流タスクにおける重要な類似性に基づいて、似たようなおもちゃのグラフを順応的に検索する。
論文参考訳（メタデータ） (2024-10-31T12:05:21Z)
Hypergraph-enhanced Dual Semi-supervised Graph Classification [14.339207883093204]
半教師付きグラフ分類のためのハイパーグラフ拡張DuALフレームワークHEALを提案する。ノード間の高次関係をよりよく探求するために,複雑なノード依存を適応的に学習するハイパーグラフ構造を設計する。学習したハイパーグラフに基づいて,ハイパーエッジ間の相互作用を捉える線グラフを導入する。
論文参考訳（メタデータ） (2024-05-08T02:44:13Z)
Graph Edit Distance Learning via Different Attention [11.79198639644178]
本稿では,新しいグラフレベル融合モジュールdifferate Attention(DiffAtt)を提案する。 DiffAttは2つのグラフレベルの埋め込みの違いを注目のメカニズムとして使用し、2つのグラフのグラフ構造の違いをキャプチャする。 DiffAtt に基づいた新しい GSC 手法である Graph Edit Distance Learning via Different Attention (REDRAFT) を提案する。
論文参考訳（メタデータ） (2023-08-26T13:05:01Z)
Improving Knowledge Graph Entity Alignment with Graph Augmentation [11.1094009195297]
異なる知識グラフ(KG)をまたいだ等価エンティティをリンクするエンティティアライメント(EA)は、知識融合において重要な役割を果たす。近年、グラフニューラルネットワーク(GNN)は、多くの埋め込みベースのEA手法でうまく適用されている。グラフの強化により、マージンベースのアライメント学習とコントラッシブなエンティティ表現学習のための2つのグラフビューを作成する。
論文参考訳（メタデータ） (2023-04-28T01:22:47Z)
CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
論文参考訳（メタデータ） (2022-05-30T13:20:26Z)
Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF) 我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
論文参考訳（メタデータ） (2022-05-28T15:37:03Z)
GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文参考訳（メタデータ） (2022-03-24T02:58:36Z)
KGE-CL: Contrastive Learning of Knowledge Graph Embeddings [64.67579344758214]
本稿では,知識グラフ埋め込みのための簡易かつ効率的な学習フレームワークを提案する。これは、関連するエンティティと異なる三重項におけるエンティティ-リレーションのカップルのセマンティック距離を短縮することができる。 WN18RRデータセットで51.2% MRR、46.8% Hits@1、59.1% MRR、51.8% Hits@1、YAGO3-10データセットで達成できる。
論文参考訳（メタデータ） (2021-12-09T12:45:33Z)
Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文参考訳（メタデータ） (2021-02-14T05:28:13Z)
Deep Reinforcement Learning of Graph Matching [63.469961545293756]
ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
論文参考訳（メタデータ） (2020-12-16T13:48:48Z)

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。