論文の概要: Background Knowledge in Schema Matching: Strategy vs. Data

• arxiv url: http://arxiv.org/abs/2107.00001v1
• Date: Tue, 29 Jun 2021 19:16:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-03 05:32:22.378743
• Title: Background Knowledge in Schema Matching: Strategy vs. Data
• Title（参考訳）: スキーママッチングにおける背景知識:戦略対データ
• Authors: Jan Portisch, Michael Hladik, Heiko Paulheim
• Abstract要約: 我々は、マッチングタスクの背景知識の源として、6つの汎用グラフを利用する。 明確な戦略は依然として潜在戦略よりも優れており、戦略の選択は実際の背景データセットよりもアライメントに大きな影響を与える。 BabelNetと最高のマッチング設定は、他のマッチングシステムと比較して非常に競争力がある。
• 参考スコア（独自算出の注目度）: 1.2891210250935146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of external background knowledge can be beneficial for the task of matching schemas or ontologies automatically. In this paper, we exploit six general-purpose knowledge graphs as sources of background knowledge for the matching task. The background sources are evaluated by applying three different exploitation strategies. We find that explicit strategies still outperform latent ones and that the choice of the strategy has a greater impact on the final alignment than the actual background dataset on which the strategy is applied. While we could not identify a universally superior resource, BabelNet achieved consistently good results. Our best matcher configuration with BabelNet performs very competitively when compared to other matching systems even though no dataset-specific optimizations were made.
• Abstract（参考訳）: 外部バックグラウンド知識の使用は、スキーマやオントロジーを自動的にマッチングするタスクに有用である。 本稿では,6つの汎用知識グラフを,マッチングタスクの背景知識源として活用する。 バックグラウンドソースは3つの異なるエクスプロイト戦略を適用して評価する。 明示的な戦略は依然として潜在戦略よりも優れており、戦略の選択は戦略が適用される実際の背景データセットよりも最終的なアライメントに大きな影響を与える。 普遍的に優れたリソースを特定できなかったが、BabelNetは一貫して良い結果を得た。 BabelNetとの最良のマッチング設定は、データセット固有の最適化が作成されていないにもかかわらず、他のマッチングシステムと比較して非常に競争力がある。

関連論文リスト

• Graph Neural Bandits [49.85090929163639]
  グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。 提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
  論文  参考訳（メタデータ） (2023-08-21T15:57:57Z)
• Online Network Source Optimization with Graph-Kernel MAB [62.6067511147939]
  大規模ネットワークにおける最適なソース配置をオンラインで学習するためのグラフカーネルマルチアームバンディットアルゴリズムであるGrab-UCBを提案する。 適応グラフ辞書モデルを用いて,ネットワークプロセスを記述する。 我々は、ネットワークパラメータに依存する性能保証を導出し、シーケンシャルな意思決定戦略の学習曲線にさらに影響を及ぼす。
  論文  参考訳（メタデータ） (2023-07-07T15:03:42Z)
• Joint Language Semantic and Structure Embedding for Knowledge Graph Completion [66.15933600765835]
  本稿では,知識三重項の自然言語記述と構造情報とを共同で組み込むことを提案する。 本手法は,学習済み言語モデルを微調整することで,完了作業のための知識グラフを埋め込む。 各種知識グラフベンチマーク実験により,本手法の最先端性能を実証した。
  論文  参考訳（メタデータ） (2022-09-19T02:41:02Z)
• ImitAL: Learned Active Learning Strategy on Synthetic Data [30.595138995552748]
  ImitALはドメインに依存しない新しいクエリ戦略であり、ALを学習からランクまでの問題としてエンコードする。 我々はImitALを、純粋に合成されたデータセット上で大規模にシミュレーションされたALで訓練する。 ImitALがうまくトレーニングされたことを示すため、13の異なるデータセット上での戦略の比較を広範囲に評価した。
  論文  参考訳（メタデータ） (2022-08-24T16:17:53Z)
• Deep Reinforcement Learning for Exact Combinatorial Optimization: Learning to Branch [13.024115985194932]
  本稿では、強化学習(RL)パラダイムを用いた最適化において、データラベリングと推論の問題を解決するための新しいアプローチを提案する。 我々は模倣学習を用いてRLエージェントをブートストラップし、PPO(Proximal Policy)を使用してグローバルな最適なアクションを探索する。
  論文  参考訳（メタデータ） (2022-06-14T16:35:58Z)
• Context-based Deep Learning Architecture with Optimal Integration Layer for Image Parsing [0.0]
  提案した3層コンテキストベースディープアーキテクチャは、コンテキストを視覚情報と明示的に統合することができる。 ベンチマークデータセットで評価した場合の実験結果は有望である。
  論文  参考訳（メタデータ） (2022-04-13T07:35:39Z)
• Understanding Robust Generalization in Learning Regular Languages [85.95124524975202]
  我々は、リカレントニューラルネットワークを用いて正規言語を学習する文脈における堅牢な一般化について研究する。 この問題に対処するための構成戦略を提案する。 構成戦略がエンド・ツー・エンド戦略よりもはるかに優れていることを理論的に証明する。
  論文  参考訳（メタデータ） (2022-02-20T02:50:09Z)
• Budget-aware Few-shot Learning via Graph Convolutional Network [56.41899553037247]
  本稿では,いくつかの例から新しい視覚概念を学習することを目的とした,数ショット学習の課題に取り組む。 数ショット分類における一般的な問題設定は、データラベルの取得においてランダムサンプリング戦略を前提としている。 そこで我々は,新しい対象カテゴリーの学習を目的とした,予算に配慮した数発の学習問題を新たに導入する。
  論文  参考訳（メタデータ） (2022-01-07T02:46:35Z)
• ImitAL: Learning Active Learning Strategies from Synthetic Data [14.758287202278918]
  アクティブラーニングはラベル付きデータを効率的に取得するためのよく知られた標準手法である。 我々は、ALを学習からランクへの問題としてエンコードする新しいクエリ戦略であるImitALを提案する。 このアプローチは他のほとんどの戦略、特に非常に大規模なデータセットよりも実行時パフォーマンスが高いことを示す。
  論文  参考訳（メタデータ） (2021-08-17T15:03:31Z)
• Learning active learning at the crossroads? evaluation and discussion [0.03807314298073299]
  アクティブラーニングは、人間の専門家がラベルを付けるのに役立つサンプルを予測することで、アノテーションコストを削減することを目指しています。 常にすべてのアプリケーションで他のすべてを上回る最高のアクティブ学習戦略はありません。 本稿では,最近のメタ学習アルゴリズムとマージンサンプリングを用いて学習した戦略を20のデータセットで比較したベンチマーク結果を示す。
  論文  参考訳（メタデータ） (2020-12-16T10:35:43Z)
• Unsupervised Learning for Asynchronous Resource Allocation in Ad-hoc Wireless Networks [122.42812336946756]
  集約グラフニューラルネットワーク(Agg-GNN)に基づく教師なし学習手法を設計する。 アクティベーションパターンを各ノードの特徴としてモデル化し,ポリシーに基づくリソース割り当て手法を訓練することにより,非同期性を捉える。
  論文  参考訳（メタデータ） (2020-11-05T03:38:36Z)

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。