論文の概要: An Accurate Unsupervised Method for Joint Entity Alignment and Dangling Entity Detection

• arxiv url: http://arxiv.org/abs/2203.05147v1
• Date: Thu, 10 Mar 2022 04:08:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-11 14:39:36.523888
• Title: An Accurate Unsupervised Method for Joint Entity Alignment and Dangling Entity Detection
• Title（参考訳）: 共同エンティティアライメントとダンピングエンティティ検出のための高精度な教師なし手法
• Authors: Shengxuan Luo, Sheng Yu
• Abstract要約: 共同エンティティアライメント(EA)とダングリングエンティティ検出(DED)のための新しい高精度な教師なし手法を提案する。 我々は、医療用言語間知識グラフデータセット、MedEDを構築し、EAタスクとDEDタスクの両方にデータを提供する。 EAタスクでは、UEDは最先端のEAベースラインに匹敵するEA結果を達成し、管理されたEAデータを組み合わせることで現在の最先端のEAメソッドを上回っます。
• 参考スコア（独自算出の注目度）: 0.3965019866400874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph integration typically suffers from the widely existing dangling entities that cannot find alignment cross knowledge graphs (KGs). The dangling entity set is unavailable in most real-world scenarios, and manually mining the entity pairs that consist of entities with the same meaning is labor-consuming. In this paper, we propose a novel accurate Unsupervised method for joint Entity alignment (EA) and Dangling entity detection (DED), called UED. The UED mines the literal semantic information to generate pseudo entity pairs and globally guided alignment information for EA and then utilizes the EA results to assist the DED. We construct a medical cross-lingual knowledge graph dataset, MedED, providing data for both the EA and DED tasks. Extensive experiments demonstrate that in the EA task, UED achieves EA results comparable to those of state-of-the-art supervised EA baselines and outperforms the current state-of-the-art EA methods by combining supervised EA data. For the DED task, UED obtains high-quality results without supervision.
• Abstract（参考訳）: 知識グラフの統合は通常、アライメント・クロス・ナレッジグラフ(KG)を見つけることができない広く存在するダングリングエンティティに悩まされる。 ダングリングエンティティセットは現実世界のほとんどのシナリオでは利用できず、同じ意味を持つエンティティで構成されたエンティティペアを手作業でマイニングする。 本稿では,DAD(Dangling entity detection, DED)とEA(Content Entityアライメント)を併用した新しいUnsupervised法を提案する。 UEDは、リテラル意味情報をマイニングして擬似エンティティペアを生成し、グローバルにEAのアライメント情報を導出し、EA結果を利用してDEDを支援する。 我々は、医療用言語間知識グラフデータセットMedEDを構築し、EAタスクとDEDタスクの両方にデータを提供する。 UEDはEAタスクにおいて、最先端のEAベースラインに匹敵するEA結果を達成し、管理されたEAデータを組み合わせることで現在の最先端のEAメソッドを上回る性能を発揮することを実証している。 DEDタスクでは、UDEは監督なしで高品質な結果を得る。

関連論文リスト

• DERA: Dense Entity Retrieval for Entity Alignment in Knowledge Graphs [3.500936203815729]
  エンティティアライメント(EA)のための高密度エンティティ検索フレームワークを提案する。 我々は言語モデルを活用し、エンティティの様々な特徴を均一にエンコードし、知識グラフ(KG)をまたいで最も近いエンティティ検索を容易にする。 提案手法は,既存のEA手法と比較して最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-08-02T10:12:42Z)
• Entity Disambiguation via Fusion Entity Decoding [68.77265315142296]
  より詳細なエンティティ記述を持つエンティティを曖昧にするためのエンコーダ・デコーダモデルを提案する。 GERBILベンチマークでは、EntQAと比較して、エンド・ツー・エンドのエンティティリンクが+1.5%改善されている。
  論文  参考訳（メタデータ） (2024-04-02T04:27:54Z)
• 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)
• Generating Explanations to Understand and Repair Embedding-based Entity Alignment [15.608451451547067]
  埋め込み型EA結果の理解と修復のための説明を生成できる最初のフレームワークを提案する。 埋め込みモデルによって生成されたEAペアを前提として、まず近隣のエンティティと関係を比較し、局所的な説明として一致する部分グラフを構築する。 次に、抽象的な視点からペアを理解するためにアライメント依存グラフを構築します。
  論文  参考訳（メタデータ） (2023-12-08T07:27:26Z)
• A Simple Solution for Offline Imitation from Observations and Examples with Possibly Incomplete Trajectories [122.11358440078581]
  オフラインの模倣は、任意のインタラクションがコストがかかり、専門家のアクションが利用できない現実世界のシナリオで有用である。 本研究では,タスク固有の専門的状態とタスクに依存しない非専門的状態-アクションペアのみを利用できるMPPを解決するために,観察から学習するトラジェクトリ・アウェア・ラーニング(TAILO)を提案する。
  論文  参考訳（メタデータ） (2023-11-02T15:41:09Z)
• Unsupervised Entity Alignment for Temporal Knowledge Graphs [24.830107011195302]
  エンティティアライメントのための時間的および関係的な情報を融合するDualMatchを提案する。 時間的情報を効果的に取得できるため、TKG上でEAを実行することができる。 3つの実世界のTKGデータセットの実験は、DualMatchがH@1の2.4%から10.7%で最先端の手法より優れているという洞察を与える。
  論文  参考訳（メタデータ） (2023-02-01T23:03:22Z)
• 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)
• High-quality Task Division for Large-scale Entity Alignment [28.001266850114643]
  DivEAは、代替の最先端ソリューションよりも高いEAパフォーマンスを達成する。 我々は、EAタスクの局所性原理と訓練されたEAモデルのパワーを生かした他の発見手法を考案する。
  論文  参考訳（メタデータ） (2022-08-22T14:46:38Z)
• 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)
• 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)
• Visual Pivoting for (Unsupervised) Entity Alignment [93.82387952905756]
  本研究は、異種知識グラフ(KGs)におけるエンティティの整列のための視覚的意味表現の使用について研究する。 提案した新しいアプローチであるEVAは、クロスグラフエンティティアライメントのための強い信号を提供する包括的エンティティ表現を生成する。
  論文  参考訳（メタデータ） (2020-09-28T20:09:40Z)

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。