論文の概要: ActiveEA: Active Learning for Neural Entity Alignment

• arxiv url: http://arxiv.org/abs/2110.06474v1
• Date: Wed, 13 Oct 2021 03:38:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-14 13:02:56.566244
• Title: ActiveEA: Active Learning for Neural Entity Alignment
• Title（参考訳）: ActiveEA: ニューラルエンティティアライメントのためのアクティブラーニング
• Authors: Bing Liu, Harrisen Scells, Guido Zuccon, Wen Hua, Genghong Zhao
• Abstract要約: エンティティアライメント(EA)は、異なる知識グラフ(KG)間で同等のエンティティをマッチングすることを目的としている。 現在の主流の手法であるニューラルEAモデルは、シードアライメントによるトレーニング、すなわち、事前整合したエンティティペアのセットに依存しています。 我々は、神経EAのための新しいアクティブラーニング(AL)フレームワークを考案し、非常に有意義なシードアライメントを作ることを目指している。
• 参考スコア（独自算出の注目度）: 31.212894129845093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Entity Alignment (EA) aims to match equivalent entities across different Knowledge Graphs (KGs) and is an essential step of KG fusion. Current mainstream methods -- neural EA models -- rely on training with seed alignment, i.e., a set of pre-aligned entity pairs which are very costly to annotate. In this paper, we devise a novel Active Learning (AL) framework for neural EA, aiming to create highly informative seed alignment to obtain more effective EA models with less annotation cost. Our framework tackles two main challenges encountered when applying AL to EA: (1) How to exploit dependencies between entities within the AL strategy. Most AL strategies assume that the data instances to sample are independent and identically distributed. However, entities in KGs are related. To address this challenge, we propose a structure-aware uncertainty sampling strategy that can measure the uncertainty of each entity as well as its impact on its neighbour entities in the KG. (2) How to recognise entities that appear in one KG but not in the other KG (i.e., bachelors). Identifying bachelors would likely save annotation budget. To address this challenge, we devise a bachelor recognizer paying attention to alleviate the effect of sampling bias. Empirical results show that our proposed AL strategy can significantly improve sampling quality with good generality across different datasets, EA models and amount of bachelors.
• 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)間で同等のエンティティをマッチングすることを目的としており、KG融合の重要なステップである。 現在の主流の手法 -- ニューラルeaモデル -- はシードアライメントによるトレーニング、すなわちアノテーションに非常に費用がかかる事前アライメントエンティティペアに依存しています。 本稿では、より効果的なEAモデルを得るために、高情報性の高いシードアライメントを構築することを目的とした、ニューラルEAのための新しいアクティブラーニング(AL)フレームワークを考案する。 当社のフレームワークは, ALをEAに適用する際の2つの大きな課題に対処する。 ほとんどのal戦略では、サンプルするデータインスタンスは独立して分散していると仮定している。 しかし、KGsの実体は関連している。 この課題に対処するため,KGにおける各エンティティの不確実性だけでなく,近隣エンティティへの影響も測定できる構造対応型不確実性サンプリング戦略を提案する。 2)一方のKGに現れるが他方のKGには存在しない実体(すなわち、学士)をどう認識するか。 独身者を特定することは、アノテーションの予算を節約するだろう。 この課題に対処するために、サンプリングバイアスの効果を緩和するために注意を払う独身認識器を考案する。 実験結果から,提案したAL戦略は,異なるデータセット,EAモデル,ベキラー量にまたがって,サンプリング品質を向上できることが示された。

関連論文リスト

• 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)
• 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)
• LightEA: A Scalable, Robust, and Interpretable Entity Alignment Framework via Three-view Label Propagation [27.483109233276632]
  既存のGNNベースのEAメソッドは、ニューラルネットワークの系統から生まれてくる欠陥を継承している、と我々は主張する。 我々は,(i)ランダム直交ラベル生成,(ii)3ビューラベル伝搬,(iii)スパースシンクホーンイテレーションという3つの効率的なコンポーネントからなる非神経EAフレームワーク-LightEAを提案する。 公開データセットに関する広範な実験によると、LightEAは印象的なスケーラビリティ、堅牢性、解釈可能性を持っている。
  論文  参考訳（メタデータ） (2022-10-19T10:07:08Z)
• Deep Active Ensemble Sampling For Image Classification [8.31483061185317]
  アクティブラーニングフレームワークは、最も有益なデータポイントのラベル付けを積極的に要求することで、データアノテーションのコストを削減することを目的としている。 提案手法には、不確実性に基づく手法、幾何学的手法、不確実性に基づく手法と幾何学的手法の暗黙の組み合わせなどがある。 本稿では, サンプル選択戦略における効率的な探索・探索トレードオフを実現するために, 不確実性に基づくフレームワークと幾何学的フレームワークの両方の最近の進歩を革新的に統合する。 本フレームワークは,(1)正確な後続推定,(2)計算オーバーヘッドと高い精度のトレードオフの2つの利点を提供する。
  論文  参考訳（メタデータ） (2022-10-11T20:20:20Z)
• Be Your Own Neighborhood: Detecting Adversarial Example by the Neighborhood Relations Built on Self-Supervised Learning [64.78972193105443]
  本稿では,予測に有効な新しいAE検出フレームワークを提案する。 AEの異常な関係と拡張バージョンを区別して検出を行う。 表現を抽出し、ラベルを予測するために、既製の自己監視学習(SSL)モデルが使用される。
  論文  参考訳（メタデータ） (2022-08-31T08:18:44Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• 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)
• EchoEA: Echo Information between Entities and Relations for Entity Alignment [1.1470070927586016]
  本稿では,エンティティ情報を関係に拡散し,エンティティにエコーバックする自己認識機構を活用した新しいフレームワーク Echo Entity Alignment (EchoEA) を提案する。 3つの実世界のクロスランガルデータセットの実験結果は、平均して96%で安定している。
  論文  参考訳（メタデータ） (2021-07-07T07:34:21Z)
• Towards Entity Alignment in the Open World: An Unsupervised Approach [29.337157862514204]
  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。
  論文  参考訳（メタデータ） (2021-01-26T03:10:24Z)
• Exploring and Evaluating Attributes, Values, and Structures for Entity Alignment [100.19568734815732]
  エンティティアライメント(EA)は、さまざまなKGから等価なエンティティをリンクすることで、リッチコンテンツの統合知識グラフ(KG)を構築することを目的としている。 属性・トリプルは重要なアライメント信号も提供できますが、まだ十分に調査されていません。 本稿では,属性値エンコーダを用いてKGをサブグラフに分割し,属性の様々なタイプを効率的にモデル化することを提案する。
  論文  参考訳（メタデータ） (2020-10-07T08:03:58Z)
• Pairwise Similarity Knowledge Transfer for Weakly Supervised Object Localization [53.99850033746663]
  弱教師付き画像ラベルを持つ対象クラスにおける局所化モデル学習の問題点について検討する。 本研究では,対象関数のみの学習は知識伝達の弱い形態であると主張する。 COCOおよびILSVRC 2013検出データセットの実験では、ペアワイズ類似度関数を含むことにより、ローカライズモデルの性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-03-18T17:53:33Z)

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。