論文の概要: Towards Neural Schema Alignment for OpenStreetMap and Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2107.13257v1
• Date: Wed, 28 Jul 2021 10:40:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 14:08:26.346759
• Title: Towards Neural Schema Alignment for OpenStreetMap and Knowledge Graphs
• Title（参考訳）: openstreetmapとナレッジグラフのニューラルネットワークアライメントに向けて
• Authors: Alishiba Dsouza and Nicolas Tempelmeier and Elena Demidova
• Abstract要約: OpenStreetMap (OSM) は、ボランティアによる地理的情報の最も豊富に公開されている情報源の1つである。 知識グラフはOSMエンティティの強化に有用なセマンティック情報を提供する可能性がある。 本稿では,OSMタグと対応する知識グラフクラスとの整合性について,スキーマ層とインスタンス層を協調的に検討して考察する。 そこで我々は,OSMと知識グラフの連結エンティティを用いて生成したタグ・ツー・クラスアライメントに対して,共有潜在空間を生かした新しいニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 0.966840768820136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: OpenStreetMap (OSM) is one of the richest openly available sources of volunteered geographic information. Although OSM includes various geographical entities, their descriptions are highly heterogeneous, incomplete, and do not follow any well-defined ontology. Knowledge graphs can potentially provide valuable semantic information to enrich OSM entities. However, interlinking OSM entities with knowledge graphs is inherently difficult due to the large, heterogeneous, ambiguous, and flat OSM schema and the annotation sparsity. This paper tackles the alignment of OSM tags with the corresponding knowledge graph classes holistically by jointly considering the schema and instance layers. We propose a novel neural architecture that capitalizes upon a shared latent space for tag-to-class alignment created using linked entities in OSM and knowledge graphs. Our experiments performed to align OSM datasets for several countries with two of the most prominent openly available knowledge graphs, namely, Wikidata and DBpedia, demonstrate that the proposed approach outperforms the state-of-the-art schema alignment baselines by up to 53 percentage points in terms of F1-score. The resulting alignment facilitates new semantic annotations for over 10 million OSM entities worldwide, which is more than a 400% increase compared to the existing semantic annotations in OSM.
• Abstract（参考訳）: OpenStreetMap (OSM) は、ボランティアによる地理的情報の最も豊かな情報源の1つである。 OSMには様々な地理的実体が含まれているが、それらの記述は高度に異質であり、不完全であり、明確に定義されたオントロジーに従わない。 知識グラフはOSMエンティティの強化に有用なセマンティック情報を提供する可能性がある。 しかし、OSMエンティティと知識グラフを相互接続することは、大きな、不均一であいまいでフラットなOSMスキーマとアノテーションの間隔のため、本質的に困難である。 本稿では,スキーマ層とインスタンス層を共同で考慮し,osmタグと対応する知識グラフクラスを階層的にアラインメントする。 我々は,osmと知識グラフのリンクされたエンティティを用いたタグからクラスへのアライメントのための共有潜在空間を活かした,新しいニューラルアーキテクチャを提案する。 WikidataとDBpediaの2つの主要なオープンな知識グラフとOSMデータセットの整合性を示す実験を行ったところ,提案手法はF1スコアにおいて最先端のスキーマアライメントベースラインを最大53ポイント上回っていることがわかった。 その結果、世界中で1000万以上のOSMエンティティに対する新しいセマンティックアノテーションが実現され、OSMの既存のセマンティックアノテーションと比べて400%以上増加している。

関連論文リスト

• Language Models are Graph Learners [70.14063765424012]
  言語モデル(LM)は、グラフニューラルネットワーク(GNN)やグラフトランスフォーマー(GT)など、ドメイン固有のモデルの優位性に挑戦している。 本稿では,ノード分類タスクにおける最先端のGNNに匹敵する性能を実現するために,既製のLMを有効活用する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-03T08:27:54Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• HeMI: Multi-view Embedding in Heterogeneous Graphs [8.87527266373087]
  不均一グラフ(HG)の表現学習は、そのようなグラフの豊富な構造と意味を低次元空間に埋め込む。 本稿では,HGの構造的セマンティクス間の知識交換と発見に依存して,HG表現を学習する自己教師型手法を提案する。 提案手法は,全タスクにおいて1%,最大10%の効率で性能が向上し,競合手法の改善が図られている。
  論文  参考訳（メタデータ） (2021-09-14T23:04:42Z)
• GeoVectors: A Linked Open Corpus of OpenStreetMap Embeddings on World Scale [1.933681537640272]
  本稿は,OSM エンティティを包括的に包括的に包括的に包括的に包括する Geos について述べる。 Geos corpusはOSMエンティティのセマンティック次元と地理的次元をキャプチャし、機械学習アルゴリズムにアクセスできるようにする。 我々は、OSM内の地理的エンティティのセマンティックおよび潜在表現に直接アクセスするセマンティックインターフェースであるSPARQLエンドポイントを提供する。
  論文  参考訳（メタデータ） (2021-08-30T10:00:34Z)
• Linking OpenStreetMap with Knowledge Graphs -- Link Discovery for Schema-Agnostic Volunteered Geographic Information [3.04585143845864]
  知識グラフにおいて,OSMノードと地理的エンティティ間のIDリンクを予測する新しいリンク発見手法OSM2KGを提案する。 OSM2KGアプローチのコアは、埋め込みにおけるセマンティックノードの類似性をキャプチャする、新しい潜在的でコンパクトなOSMノード表現である。 いくつかのOSMデータセットとWikidataおよびDBpediaナレッジグラフを用いて実験を行い、OSM2KGがアイデンティティリンクを確実に発見できることを実証した。
  論文  参考訳（メタデータ） (2020-11-06T19:03:41Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• OpenStreetMap: Challenges and Opportunities in Machine Learning and Remote Sensing [66.23463054467653]
  本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。 私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
  論文  参考訳（メタデータ） (2020-07-13T09:58:14Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。