論文の概要: Principled Representation Learning for Entity Alignment
- arxiv url: http://arxiv.org/abs/2110.10871v1
- Date: Thu, 21 Oct 2021 03:21:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 13:52:41.094105
- Title: Principled Representation Learning for Entity Alignment
- Title(参考訳): エンティティアライメントのための原則表現学習
- Authors: Lingbing Guo, Zequn Sun, Mingyang Chen, Wei Hu, Qiang Zhang, Huajun
Chen
- Abstract要約: 2つのKGの埋め込み空間を接続するアンカーとして、少数の事前整列した実体が機能できるという仮定の合理性について検討する。
我々は、KG不変量と原則的実体埋め込みを明示的に学習する、NeoEAという新しいアプローチを提案する。
我々の実験は、最高の性能のEEA手法に対して、一貫した、そして顕著な性能向上を実証した。
- 参考スコア(独自算出の注目度): 21.41091991132512
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Embedding-based entity alignment (EEA) has recently received great attention.
Despite significant performance improvement, few efforts have been paid to
facilitate understanding of EEA methods. Most existing studies rest on the
assumption that a small number of pre-aligned entities can serve as anchors
connecting the embedding spaces of two KGs. Nevertheless, no one investigates
the rationality of such an assumption. To fill the research gap, we define a
typical paradigm abstracted from existing EEA methods and analyze how the
embedding discrepancy between two potentially aligned entities is implicitly
bounded by a predefined margin in the scoring function. Further, we find that
such a bound cannot guarantee to be tight enough for alignment learning. We
mitigate this problem by proposing a new approach, named NeoEA, to explicitly
learn KG-invariant and principled entity embeddings. In this sense, an EEA
model not only pursues the closeness of aligned entities based on geometric
distance, but also aligns the neural ontologies of two KGs by eliminating the
discrepancy in embedding distribution and underlying ontology knowledge. Our
experiments demonstrate consistent and significant improvement in performance
against the best-performing EEA methods.
- Abstract(参考訳): 埋め込みベースのエンティティアライメント(EEA)は最近大きな注目を集めています。
大幅なパフォーマンス向上にもかかわらず、EEAメソッドの理解を容易にする努力は、ほとんど行われていない。
ほとんどの既存の研究は、2つのKGの埋め込み空間を接続するアンカーとして、少数の事前整列した実体が機能できるという仮定に基づいている。
それにもかかわらず、そのような仮定の合理性を調査する者はいない。
研究ギャップを埋めるために、既存のEEA手法から抽象化された典型的なパラダイムを定義し、二つの潜在的に整合したエンティティ間の埋め込みの相違が、スコアリング関数の予め定義されたマージンによって暗黙的に境界づけられているかを分析する。
さらに,このような境界は,アライメント学習に十分なタイトさを保証できないことを見出した。
我々は、新しいアプローチであるNeoEAを提案し、KG不変および原則化された実体埋め込みを明示的に学習する。
この意味で、EEAモデルは、幾何学的距離に基づいて整列した実体の近接性を追求するだけでなく、2つのKGの神経オントロジーを、埋め込み分布と基礎となるオントロジー知識の相違を排除して整列させる。
我々の実験は、最も高性能なeea法に対する性能の一貫性と著しい改善を示しました。
関連論文リスト
- Attr-Int: A Simple and Effective Entity Alignment Framework for Heterogeneous Knowledge Graphs [9.725601872648566]
エンティティアライメント(EA)とは、異なる知識グラフ(KG)内のエンティティをリンクすることである。
本稿では, 異種KG間の整合性の問題について検討し, 対処する。
本稿では,Attr-Intと呼ばれるシンプルで効果的なエンティティアライメントフレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-17T10:16:56Z) - Rethinking State Disentanglement in Causal Reinforcement Learning [78.12976579620165]
因果性は、根底にある状態が識別可能性によって一意に回復できることを保証するための厳密な理論的支援を提供する。
我々はこの研究ラインを再考し、RL固有のコンテキストを取り入れることで、潜在状態に対する以前の識別可能性分析における不要な仮定を低減できることを示した。
本稿では, 従来手法の複雑な構造制約を, 遷移と報酬保存の2つの簡単な制約に置き換えることにより, 一般に部分的に観測可能なマルコフ決定過程(POMDP)を提案する。
論文 参考訳(メタデータ) (2024-08-24T06:49:13Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳(メタデータ) (2023-08-18T13:13:09Z) - Synergies between Disentanglement and Sparsity: Generalization and
Identifiability in Multi-Task Learning [79.83792914684985]
我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。
この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
論文 参考訳(メタデータ) (2022-11-26T21:02:09Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳(メタデータ) (2022-09-27T19:04:36Z) - Deep Reinforcement Learning for Entity Alignment [25.78510840144251]
強化学習(RL)に基づくエンティティアライメントフレームワークを提案する。
ほとんどの埋め込みベースのエンティティアライメントメソッドに柔軟に適用できる。
いくつかの最先端メソッドのパフォーマンスを継続的に向上し、Hits@1で最大31.1%向上した。
論文 参考訳(メタデータ) (2022-03-07T11:49:40Z) - Regularizing Variational Autoencoder with Diversity and Uncertainty
Awareness [61.827054365139645]
変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。
よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
論文 参考訳(メタデータ) (2021-10-24T07:58:13Z) - Artificial Intelligence Algorithms for Natural Language Processing and
the Semantic Web Ontology Learning [0.76146285961466]
新しい進化的クラスタリングアルゴリズム(ECA*)が提案されている。
5つの最先端アプローチに対してECA*を評価する実験を行った。
その結果,ECA*は,適切なクラスタを見つける能力において,その競争力を克服していることがわかった。
論文 参考訳(メタデータ) (2021-08-31T11:57:41Z) - A Low Rank Promoting Prior for Unsupervised Contrastive Learning [108.91406719395417]
提案手法は,従来の低階の促進をコントラスト学習の枠組みに効果的に組み込む新しい確率的グラフィカルモデルを構築する。
我々の仮説は、同じインスタンスクラスに属するすべてのサンプルが、小さな次元の同じ部分空間上にあることを明示的に要求する。
実証的な証拠は、提案アルゴリズムが複数のベンチマークにおける最先端のアプローチを明らかに上回っていることを示している。
論文 参考訳(メタデータ) (2021-08-05T15:58:25Z) - Reinforcement Learning based Collective Entity Alignment with Adaptive
Features [35.04861875266298]
本稿では,エンティティを集合的にアライメントする強化学習(RL)モデルを提案する。
RLフレームワークでは、相互依存と集団アライメントを特徴付けるコヒーレンスと排他的性制約を考案しています。
提案手法は,言語横断型と単言語型の両方のEAベンチマークで評価し,最先端のソリューションと比較した。
論文 参考訳(メタデータ) (2021-01-05T05:04:09Z)
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。