論文の概要: SubGraph Networks based Entity Alignment for Cross-lingual Knowledge Graph

• arxiv url: http://arxiv.org/abs/2205.03557v1
• Date: Sat, 7 May 2022 05:13:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-15 11:07:05.479498
• Title: SubGraph Networks based Entity Alignment for Cross-lingual Knowledge Graph
• Title（参考訳）: SubGraph Networksによる言語間知識グラフのためのエンティティアライメント
• Authors: Shanqing Yu and Shihan Zhang and Jianlin Zhang and Jiajun Zhou and Qi Xuan and Bing Li and Xiaojuan Hu
• Abstract要約: サブグラフネットワーク(SGN)手法をGCNベースの言語間KGエンティティアライメント手法に導入する。 実験の結果,提案手法は最先端GCN法よりも優れていた。
• 参考スコア（独自算出の注目度）: 7.892065498202909
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Entity alignment is the task of finding entities representing the same real-world object in two knowledge graphs(KGs). Cross-lingual knowledge graph entity alignment aims to discover the cross-lingual links in the multi-language KGs, which is of great significance to the NLP applications and multi-language KGs fusion. In the task of aligning cross-language knowledge graphs, the structures of the two graphs are very similar, and the equivalent entities often have the same subgraph structure characteristics. The traditional GCN method neglects to obtain structural features through representative parts of the original graph and the use of adjacency matrix is not enough to effectively represent the structural features of the graph. In this paper, we introduce the subgraph network (SGN) method into the GCN-based cross-lingual KG entity alignment method. In the method, we extracted the first-order subgraphs of the KGs to expand the structural features of the original graph to enhance the representation ability of the entity embedding and improve the alignment accuracy. Experiments show that the proposed method outperforms the state-of-the-art GCN-based method.
• Abstract（参考訳）: エンティティアライメントは、2つの知識グラフ(kgs)で同じ実世界オブジェクトを表すエンティティを見つけるタスクである。 言語間知識グラフの実体アライメントは、多言語KGにおける言語間リンクを発見することを目的としており、これはNLPアプリケーションと多言語KGs融合において非常に重要である。 言語間の知識グラフを整列させるタスクでは、2つのグラフの構造は非常に似ており、等価なエンティティはしばしば同じサブグラフ構造特性を持つ。 従来のGCN法は、元のグラフの代表部分を通して構造的特徴を得るのを無視しており、隣接行列の使用はグラフの構造的特徴を効果的に表すのに十分ではない。 本稿では,GCNに基づく言語間KGエンティティアライメント手法にサブグラフネットワーク(SGN)手法を導入する。 提案手法では,KGsの1次部分グラフを抽出し,元のグラフの構造的特徴を拡張し,エンティティ埋め込みの表現能力を向上し,アライメント精度を向上させる。 実験の結果,提案手法は最先端GCN法よりも優れていた。

関連論文リスト

• Enhancing ASL Recognition with GCNs and Successive Residual Connections [0.0]
  グラフ畳み込みネットワーク(GCN)を用いたアメリカ手話(ASL)認識の新たな手法を提案する。 この手法はMediaPipeフレームワークを利用して、各手ジェスチャーからキーランドマークを抽出し、グラフ表現を構築する。 構築されたグラフは、ネットワーク安定性を改善するための残差接続を備えたGCNベースのニューラルネットワークアーキテクチャにフィードされる。
  論文  参考訳（メタデータ） (2024-08-18T18:40:30Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Semantic Random Walk for Graph Representation Learning in Attributed Graphs [2.318473106845779]
  本稿では,2つの異種ソースの結合最適化を高次近接ベースフレームワークに定式化するための新しい意味グラフ表現(SGR)法を提案する。 高次トポロジ確率を考慮した従来の埋め込み法は、新しく構築されたグラフに容易に適用でき、ノードと属性の両方の表現を学習することができる。 学習された属性の埋め込みは、セマンティック指向の推論タスクを効果的にサポートし、グラフの深いセマンティックを明らかにするのに役立つ。
  論文  参考訳（メタデータ） (2023-05-11T02:35:16Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• SLGCN: Structure Learning Graph Convolutional Networks for Graphs under Heterophily [5.619890178124606]
  本稿では2つの側面から問題を緩和する構造学習グラフ畳み込みネットワーク(SLGCN)を提案する。 具体的には、全ての類似ノードから特徴表現を効率的に集約するために、アンカーを用いた効率的なスペクトルクラスタリング(ESC-ANCH)を設計する。 幅広いベンチマークデータセットの実験結果は、提案されたSLGCNが、最先端のGNNよりも優れていることを示している。
  論文  参考訳（メタデータ） (2021-05-28T13:00:38Z)
• Skeleton-based Hand-Gesture Recognition with Lightweight Graph Convolutional Networks [14.924672048447338]
  グラフ畳み込みネットワーク(GCN)は、グラフのような任意の不規則領域にディープラーニングを拡張することを目的としている。 GCN設計の一環として,入力グラフのトポロジを学習する新しい手法を提案する。 骨格をベースとした手の位置認識の課題に対する実験は, 学習したGCNの高効率性を示す。
  論文  参考訳（メタデータ） (2021-04-09T09:06:53Z)
• Graph Information Bottleneck [77.21967740646784]
  グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。 提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:13:00Z)
• 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)
• Knowledge Embedding Based Graph Convolutional Network [35.35776808660919]
  本稿では,知識埋め込みに基づくグラフ畳み込みネットワーク(KE-GCN)という新しいフレームワークを提案する。 KE-GCNはグラフベースの信念伝播におけるグラフ畳み込みネットワーク(GCN)のパワーと高度な知識埋め込み手法の強みを組み合わせたものである。 理論的解析により、KE-GCNはいくつかのよく知られたGCN法のエレガントな統一を具体例として示している。
  論文  参考訳（メタデータ） (2020-06-12T17:12:51Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。