論文の概要: Towards Entity Alignment in the Open World: An Unsupervised Approach
- arxiv url: http://arxiv.org/abs/2101.10535v1
- Date: Tue, 26 Jan 2021 03:10:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-13 20:04:56.327990
- Title: Towards Entity Alignment in the Open World: An Unsupervised Approach
- Title（参考訳）: オープンワールドにおけるエンティティアライメントに向けて - 教師なしアプローチ
- Authors: Weixin Zeng, Xiang Zhao, Jiuyang Tang, Xinyi Li, Minnan Luo, Qinghua
Zheng
- Abstract要約: これは知識のカバレッジと品質を高めるために知識グラフ(kgs)を統合する上で重要なステップである。
最先端のソリューションは、モデルトレーニングにラベル付きデータに頼る傾向があります。
オープンな世界でエンティティアライメントを行う監視されていないフレームワークを提供します。
- 参考スコア（独自算出の注目度）: 29.337157862514204
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Entity alignment (EA) aims to discover the equivalent entities in different
knowledge graphs (KGs). It is a pivotal step for integrating KGs to increase
knowledge coverage and quality. Recent years have witnessed a rapid increase of
EA frameworks. However, state-of-the-art solutions tend to rely on labeled data
for model training. Additionally, they work under the closed-domain setting and
cannot deal with entities that are unmatchable. To address these deficiencies,
we offer an unsupervised framework that performs entity alignment in the open
world. Specifically, we first mine useful features from the side information of
KGs. Then, we devise an unmatchable entity prediction module to filter out
unmatchable entities and produce preliminary alignment results. These
preliminary results are regarded as the pseudo-labeled data and forwarded to
the progressive learning framework to generate structural representations,
which are integrated with the side information to provide a more comprehensive
view for alignment. Finally, the progressive learning framework gradually
improves the quality of structural embeddings and enhances the alignment
performance by enriching the pseudo-labeled data with alignment results from
the previous round. Our solution does not require labeled data and can
effectively filter out unmatchable entities. Comprehensive experimental
evaluations validate its superiority.
- Abstract（参考訳）: エンティティアライメント(EA)は、異なる知識グラフ(KG)における同等のエンティティを見つけることを目的としている。
KGを統合して知識のカバレッジと品質を向上させるための重要なステップです。
近年、EAフレームワークの急速な増加が見られた。
しかし、最先端のソリューションはモデルトレーニングにラベル付きデータに依存する傾向がある。
さらに、クローズドドメイン設定の下で動作し、マッチできないエンティティを扱うことができない。
これらの欠陥に対処するために、オープンな世界でエンティティアライメントを実行する監視されていないフレームワークを提供します。
具体的には,まずKGの側面情報から有用な特徴を抽出する。
そして,不整合エンティティ予測モジュールを考案し,不整合エンティティをフィルタリングし,事前アライメント結果を生成する。
これらの予備結果は擬似ラベルデータとみなされ、プログレッシブ学習フレームワークに転送され、側情報と統合された構造表現を生成し、より包括的なアライメントビューを提供します。
最後に、プログレッシブラーニングフレームワークは、構造埋め込みの品質を徐々に改善し、前ラウンドのアライメント結果と擬似ラベルデータを強化することにより、アライメントパフォーマンスを向上させます。
当社のソリューションはラベル付きデータを必要とせず、マッチしないエンティティを効果的にフィルタできる。
総合的な実験評価は、その優越性を検証する。
関連論文リスト
- Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。
提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。
これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
論文 参考訳（メタデータ） (2024-09-09T12:56:02Z) - DERA: Dense Entity Retrieval for Entity Alignment in Knowledge Graphs [3.500936203815729]
エンティティアライメント(EA)のための高密度エンティティ検索フレームワークを提案する。
我々は言語モデルを活用し、エンティティの様々な特徴を均一にエンコードし、知識グラフ(KG)をまたいで最も近いエンティティ検索を容易にする。
提案手法は,既存のEA手法と比較して最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-08-02T10:12:42Z) - Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
PropEnは'matching'にインスパイアされている。
一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
論文 参考訳（メタデータ） (2024-05-28T11:30:19Z) - Lambda: Learning Matchable Prior For Entity Alignment with Unlabeled Dangling Cases [49.86384156476041]
検出とエンティティアライメントのダングリングのためのフレームワーク textitLambda を提案する。
Lambdaは、KEESAと呼ばれるGNNベースのエンコーダと、EAのスペクトルコントラスト学習と、iPULEと呼ばれる検出をダングリングするための正の未ラベル学習アルゴリズムを備えている。
論文 参考訳（メタデータ） (2024-03-16T17:21:58Z) - Scalable Incomplete Multi-View Clustering with Structure Alignment [71.62781659121092]
本稿では,新しいアンカーグラフ学習フレームワークを提案する。
ビュー固有のアンカーグラフを構築し、異なるビューから補完情報をキャプチャする。
提案したSIMVC-SAの時間と空間の複雑さはサンプル数と線形に相関していることが証明された。
論文 参考訳（メタデータ） (2023-08-31T08:30:26Z) - A Fused Gromov-Wasserstein Framework for Unsupervised Knowledge Graph
Entity Alignment [22.526341223786375]
本稿では,FGW(Fused Gromov-Wasserstein)距離を利用した非教師なしエンティティアライメントフレームワークFGWEAを紹介する。
我々は,FGWEAが,最先端管理エンティティアライメント手法を含む21の競争ベースラインを超えることを示す。
論文 参考訳（メタデータ） (2023-05-11T05:17:54Z) - Investigating Graph Structure Information for Entity Alignment with
Dangling Cases [31.779386064600956]
エンティティアライメントは、異なる知識グラフ(KG)における等価なエンティティを見つけることを目的としている。
Weakly-optimal Graph Contrastive Learning (WOGCL) と呼ばれる新しいエンティティアライメントフレームワークを提案する。
We show that WOGCL are outperforms the current-of-the-art method with pure structure information in traditional (relaxed) and dangling settings。
論文 参考訳（メタデータ） (2023-04-10T17:24:43Z) - Modeling Entities as Semantic Points for Visual Information Extraction
in the Wild [55.91783742370978]
文書画像から鍵情報を正確かつ堅牢に抽出する手法を提案する。
我々は、エンティティを意味的ポイントとして明示的にモデル化する。つまり、エンティティの中心点は、異なるエンティティの属性と関係を記述する意味情報によって豊かになる。
提案手法は,従来の最先端モデルと比較して,エンティティラベルとリンクの性能を著しく向上させることができる。
論文 参考訳（メタデータ） (2023-03-23T08:21:16Z) - EventEA: Benchmarking Entity Alignment for Event-centric Knowledge
Graphs [17.27027602556303]
過去の進歩は偏りと不整合性評価によるものであることが示されています。
我々は、イベント中心のKGに基づいて、異種関係と属性を持つ新しいデータセットを構築した。
この問題に対する新たなアプローチとして,エンティティアライメントのためのタイムアウェアリテラルエンコーダを提案する。
論文 参考訳（メタデータ） (2022-11-05T05:34:21Z) - Visual Pivoting for (Unsupervised) Entity Alignment [93.82387952905756]
本研究は、異種知識グラフ(KGs)におけるエンティティの整列のための視覚的意味表現の使用について研究する。
提案した新しいアプローチであるEVAは、クロスグラフエンティティアライメントのための強い信号を提供する包括的エンティティ表現を生成する。
論文 参考訳（メタデータ） (2020-09-28T20:09:40Z) - Degree-Aware Alignment for Entities in Tail [11.153455121529236]
我々は、エンティティアライメント(EA)のための新しいフレームワークを提案する。
我々は、2つの異なる情報ソースを効果的に融合させる重要なガイダンスとして、エンティティの学位を識別する。
ポストアライメントでは、信頼できるEA結果をアンカーとして利用することで、元のKGと相手の事実を補完することを提案する。
論文 参考訳（メタデータ） (2020-05-25T14:15:49Z)
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。