論文の概要: A Self-supervised Method for Entity Alignment

• arxiv url: http://arxiv.org/abs/2106.09395v1
• Date: Thu, 17 Jun 2021 11:22:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-19 01:53:23.588148
• Title: A Self-supervised Method for Entity Alignment
• Title（参考訳）: エンティティアライメントの自己管理手法
• Authors: Xiao Liu, Haoyun Hong, Xinghao Wang, Zeyi Chen, Evgeny Kharlamov, Yuxiao Dong, Jie Tang
• Abstract要約: エンティティアライメントは、大規模知識グラフ(KG)を構築するための根本的な問題である 自己指導型学習の最近の進歩に触発されて、組織的アライメントの監督を除去できる範囲を探求する。 我々は、この発見を活用して、2つのKGにまたがる対照的な学習戦略を設計する。
• 参考スコア（独自算出の注目度）: 20.368788592613466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Entity alignment, aiming to identify equivalent entities across different knowledge graphs (KGs), is a fundamental problem for constructing large-scale KGs. Over the course of its development, supervision has been considered necessary for accurate alignments. Inspired by the recent progress of self-supervised learning, we explore the extent to which we can get rid of supervision for entity alignment. Existing supervised methods for this task focus on pulling each pair of positive (labeled) entities close to each other. However, our analysis suggests that the learning of entity alignment can actually benefit more from pushing sampled (unlabeled) negatives far away than pulling positive aligned pairs close. We present SelfKG by leveraging this discovery to design a contrastive learning strategy across two KGs. Extensive experiments on benchmark datasets demonstrate that SelfKG without supervision can match or achieve comparable results with state-of-the-art supervised baselines. The performance of SelfKG demonstrates self-supervised learning offers great potential for entity alignment in KGs.
• Abstract（参考訳）: 異なる知識グラフ(kgs)にまたがる等価なエンティティを識別することを目的としたエンティティアライメントは、大規模なkgsを構築する上での基本的な問題である。 開発期間中、正確な調整には監督が必要であると考えられてきた。 自己監督学習の最近の進歩にインスパイアされた私たちは、エンティティアライメントの監督を取り除ける範囲を探求する。 このタスクの既存の教師付きメソッドは、それぞれの正の(ラベル付き)エンティティを互いに近づけることに重点を置いている。 しかし、分析結果から、エンティティアライメントの学習は、サンプル(ラベルなし)の否定を、ポジティブなアライメントペアを近づけるよりも遠くへ押し出すことによって、実際有益であることが示唆された。 我々は、この発見を活用して、2つのKGにまたがる対照的な学習戦略を設計する。 ベンチマークデータセットに関する広範囲な実験により、監視のないselfkgは、最先端の教師付きベースラインと同等の結果をマッチングまたは達成できることが示されている。 SelfKGのパフォーマンスは、自己教師付き学習がKGにおけるエンティティアライメントに大きな可能性をもたらすことを示している。

関連論文リスト

• One-bit Supervision for Image Classification: Problem, Solution, and Beyond [114.95815360508395]
  本稿では,ラベルの少ない新しい学習環境である,画像分類のための1ビット監督について述べる。 多段階学習パラダイムを提案し、負ラベル抑圧を半教師付き半教師付き学習アルゴリズムに組み込む。 複数のベンチマークにおいて、提案手法の学習効率は、フルビットの半教師付き監視手法よりも優れている。
  論文  参考訳（メタデータ） (2023-11-26T07:39:00Z)
• Towards Distribution-Agnostic Generalized Category Discovery [51.52673017664908]
  データ不均衡とオープンエンドの分布は、現実の視覚世界の本質的な特性である。 我々は,BaCon(Self-Balanced Co-Advice contrastive framework)を提案する。 BaConは、対照的な学習ブランチと擬似ラベルブランチで構成され、DA-GCDタスクを解決するためのインタラクティブな監視を提供するために協力して動作する。
  論文  参考訳（メタデータ） (2023-10-02T17:39:58Z)
• Semi-supervised learning made simple with self-supervised clustering [65.98152950607707]
  自己教師付き学習モデルは、人間のアノテーションを必要とせずにリッチな視覚表現を学習することが示されている。 本稿では,クラスタリングに基づく自己教師付き手法を半教師付き学習者へと変換する,概念的に単純だが経験的に強力な手法を提案する。
  論文  参考訳（メタデータ） (2023-06-13T01:09:18Z)
• Deep Active Alignment of Knowledge Graph Entities and Schemata [20.100378168629195]
  我々は,深層学習と能動学習に基づく新しいKGアライメント手法であるDAAKGを提案する。 ディープラーニングでは、エンティティ、関係、クラスの埋め込みを学び、それらを半教師付きで協調的に調整する。 アクティブな学習では、エンティティ、リレーション、クラスペアが推測できる確率を推定し、人間のラベル付けに最適なバッチを選択する。
  論文  参考訳（メタデータ） (2023-04-10T05:31:24Z)
• Hyperspherical Consistency Regularization [45.00073340936437]
  我々は,自己教師あり学習と教師あり学習の関係について検討し,自己教師あり学習がデータ効率のよい深層学習にどのように役立つかを検討する。 超球面整合正則化(HCR)を提案し,特徴依存情報を用いた分類器の正規化を行い,ラベルからのバイアスを回避する。
  論文  参考訳（メタデータ） (2022-06-02T02:41:13Z)
• SelfKG: Self-Supervised Entity Alignment in Knowledge Graphs [24.647609970140095]
  我々は,自己指導型学習目標であるSelfKGを開発した。 我々は、SelfKGが最先端の教師付きベースラインと同等あるいは同等の結果が得られることを示す。 SelfKGのパフォーマンスは、自己教師型学習がKGにおけるエンティティアライメントに大きな可能性をもたらすことを示唆している。
  論文  参考訳（メタデータ） (2022-03-02T11:40:37Z)
• ICLEA: Interactive Contrastive Learning for Self-supervised Entity Alignment [27.449414854756913]
  自己管理エンティティアライメント(EA)は、シードアライメントなしで異なる知識グラフ(KG)に等価なエンティティをリンクすることを目的としている。 現在のSOTA自己監督型EA法は、もともとコンピュータビジョンで設計されたコントラスト学習からインスピレーションを得ている。 自己管理型EAのための対話型コントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-01-17T06:04:00Z)
• Can Semantic Labels Assist Self-Supervised Visual Representation Learning? [194.1681088693248]
  近隣環境におけるコントラスト調整(SCAN)という新しいアルゴリズムを提案する。 一連のダウンストリームタスクにおいて、SCANは従来の完全教師付きおよび自己教師付きメソッドよりも優れたパフォーマンスを達成する。 本研究は, セマンティックラベルが自己指導的手法の補助に有用であることを明らかにする。
  論文  参考訳（メタデータ） (2020-11-17T13:25:00Z)
• Inductive Learning on Commonsense Knowledge Graph Completion [89.72388313527296]
  コモンセンス知識グラフ(英: Commonsense Knowledge graph、CKG)は、知識グラフ(英: knowledge graph、CKG)の一種。 本稿では,未確認のエンティティがテスト時に現れるCKG完了のための帰納学習環境について検討する。 InductivEは、ATOMICとConceptNetベンチマークの標準設定とインダクティブ設定の両方において、最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-09-19T16:10:26Z)
• Cross-lingual Entity Alignment with Incidental Supervision [76.66793175159192]
  本稿では,多言語KGとテキストコーパスを共通埋め込み方式で共同で表現する,偶発的に教師付きモデルであるJEANSを提案する。 ベンチマークデータセットの実験では、JEANSがエンティティアライメントとインシデントインシデントインシデントインスペクションの改善を期待できる結果となった。
  論文  参考訳（メタデータ） (2020-05-01T01:53:56Z)

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。