論文の概要: Deep Reinforcement Learning for Entity Alignment

• arxiv url: http://arxiv.org/abs/2203.03315v1
• Date: Mon, 7 Mar 2022 11:49:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-08 16:18:32.441146
• Title: Deep Reinforcement Learning for Entity Alignment
• Title（参考訳）: エンティティアライメントのための深層強化学習
• Authors: Lingbing Guo and Yuqiang Han and Qiang Zhang and Huajun Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 25.78510840144251
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Embedding-based methods have attracted increasing attention in recent entity alignment (EA) studies. Although great promise they can offer, there are still several limitations. The most notable is that they identify the aligned entities based on cosine similarity, ignoring the semantics underlying the embeddings themselves. Furthermore, these methods are shortsighted, heuristically selecting the closest entity as the target and allowing multiple entities to match the same candidate. To address these limitations, we model entity alignment as a sequential decision-making task, in which an agent sequentially decides whether two entities are matched or mismatched based on their representation vectors. The proposed reinforcement learning (RL)-based entity alignment framework can be flexibly adapted to most embedding-based EA methods. The experimental results demonstrate that it consistently advances the performance of several state-of-the-art methods, with a maximum improvement of 31.1% on Hits@1.
• Abstract（参考訳）: 埋め込みに基づく手法は、最近のエンティティアライメント(EA)研究で注目を集めている。 素晴らしい約束はできるが、まだいくつかの制限がある。 最も注目すべきは、コサイン類似性に基づいて整列した実体を識別し、埋め込み自体の根底にある意味を無視することである。 さらに、これらのメソッドはショートワイトされ、ターゲットとして最も近いエンティティをヒューリスティックに選択し、複数のエンティティが同じ候補にマッチできるようにする。 これらの制約に対処するために,エージェントが表現ベクトルに基づいて2つのエンティティがマッチするかミスマッチするかを順次決定する,逐次的意思決定タスクとしてエンティティアライメントをモデル化する。 提案した強化学習(RL)に基づくエンティティアライメントフレームワークは、ほとんどの埋め込みベースのEA手法に柔軟に適用できる。 実験の結果、hit@1で最大31.1%向上し、最先端手法の性能を一貫して向上させることが示されている。

関連論文リスト

• NALA: an Effective and Interpretable Entity Alignment Method [5.891578523646542]
  非公理論理(NAL)を用いた3種類の論理推論経路をキャプチャするエンティティアライメント手法であるNALAを導入する。 NALAは推論パスの結論を統合することで、エンティティと関係を反復的に調整する。 実験結果から、NALAはHits@1の観点から最先端の手法よりも優れており、教師なし設定と教師なし設定の両方でDBP15Kの3つのデータセットで0.98以上を達成している。
  論文  参考訳（メタデータ） (2024-04-18T07:55:02Z)
• Controllable Preference Optimization: Toward Controllable Multi-Objective Alignment [103.12563033438715]
  人工知能におけるアライメントは、モデル応答と人間の好みと値の一貫性を追求する。 既存のアライメント技術は、主に一方向であり、様々な目的に対して、最適以下のトレードオフと柔軟性の低下につながる。 制御可能な選好最適化(CPO)を導入し、異なる目的に対する選好スコアを明確に指定する。
  論文  参考訳（メタデータ） (2024-02-29T12:12:30Z)
• Coherent Entity Disambiguation via Modeling Topic and Categorical Dependency [87.16283281290053]
  従来のエンティティ曖昧化(ED)メソッドは、参照コンテキストと候補エンティティの一致するスコアに基づいて予測を行う、識別パラダイムを採用している。 本稿では,エンティティ予測のコヒーレンス向上を目的とした新しいデザインを備えたEDシステムであるCoherentedを提案する。 我々は、人気EDベンチマークにおいて、平均1.3F1ポイントの改善により、最先端の新たな結果を得る。
  論文  参考訳（メタデータ） (2023-11-06T16:40:13Z)
• Nested Named Entity Recognition from Medical Texts: An Adaptive Shared Network Architecture with Attentive CRF [53.55504611255664]
  ネスト現象によるジレンマを解決するために,ASACと呼ばれる新しい手法を提案する。 提案手法は,適応共有(AS)部と注意条件付きランダムフィールド(ACRF)モジュールの2つの鍵モジュールを含む。 我々のモデルは、異なるカテゴリのエンティティ間の暗黙の区別と関係をキャプチャすることで、より良いエンティティ表現を学ぶことができる。
  論文  参考訳（メタデータ） (2022-11-09T09:23:56Z)
• Object Representations as Fixed Points: Training Iterative Refinement Algorithms with Implicit Differentiation [88.14365009076907]
  反復的洗練は表現学習に有用なパラダイムである。 トレーニングの安定性とトラクタビリティを向上させる暗黙の差別化アプローチを開発する。
  論文  参考訳（メタデータ） (2022-07-02T10:00:35Z)
• Contrastive Learning with Hard Negative Entities for Entity Set Expansion [29.155036098444008]
  様々なNLPおよびIRアプリケーションは、知識を発見する能力により、ESEの恩恵を受けるだろう。 我々は、エンティティの表現を洗練させるために、コントラスト学習を伴うエンティティレベルのマスキング言語モデルを考案する。 さらに、上記の言語モデルによって得られたエンティティ表現を利用してエンティティを拡張する新しい確率的ESEフレームワークであるProbExpanを提案する。
  論文  参考訳（メタデータ） (2022-04-16T12:26:42Z)
• Principled Representation Learning for Entity Alignment [21.41091991132512]
  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。
  論文  参考訳（メタデータ） (2021-10-21T03:21:58Z)
• 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)
• 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)
• Coordinated Reasoning for Cross-Lingual Knowledge Graph Alignment [74.0482641714311]
  本稿では,2つのコーディネート推論手法,すなわち Easy-to-Hardデコード戦略とジョイントエンティティアライメントアルゴリズムを導入する。 我々のモデルは最先端の性能を実現し,提案手法は既存のベースラインを大幅に改善する。
  論文  参考訳（メタデータ） (2020-01-23T18:41:21Z)

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。