論文の概要: High-quality Task Division for Large-scale Entity Alignment
- arxiv url: http://arxiv.org/abs/2208.10366v1
- Date: Mon, 22 Aug 2022 14:46:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-23 12:46:48.472467
- Title: High-quality Task Division for Large-scale Entity Alignment
- Title（参考訳）: 大規模エンティティアライメントのための高品質タスク分割
- Authors: Bing Liu, Wen Hua, Guido Zuccon, Genghong Zhao, Xia Zhang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 28.001266850114643
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Entity Alignment (EA) aims to match equivalent entities that refer to the
same real-world objects and is a key step for Knowledge Graph (KG) fusion. Most
neural EA models cannot be applied to large-scale real-life KGs due to their
excessive consumption of GPU memory and time. One promising solution is to
divide a large EA task into several subtasks such that each subtask only needs
to match two small subgraphs of the original KGs. However, it is challenging to
divide the EA task without losing effectiveness. Existing methods display low
coverage of potential mappings, insufficient evidence in context graphs, and
largely differing subtask sizes.
In this work, we design the DivEA framework for large-scale EA with
high-quality task division. To include in the EA subtasks a high proportion of
the potential mappings originally present in the large EA task, we devise a
counterpart discovery method that exploits the locality principle of the EA
task and the power of trained EA models. Unique to our counterpart discovery
method is the explicit modelling of the chance of a potential mapping. We also
introduce an evidence passing mechanism to quantify the informativeness of
context entities and find the most informative context graphs with flexible
control of the subtask size. Extensive experiments show that DivEA achieves
higher EA performance than alternative state-of-the-art solutions.
- Abstract（参考訳）: エンティティアライメント(EA)は、同じ現実世界のオブジェクトを参照し、知識グラフ(KG)融合の重要なステップである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。
ほとんどのニューラルEAモデルは、GPUメモリと時間の過剰消費のため、大規模な実生活KGには適用できない。
1つの有望な解決策は、大きなEAタスクを複数のサブタスクに分割し、各サブタスクは元のKGの2つの小さなサブグラフに一致する必要があることである。
しかし、効果を失うことなくEAタスクを分割することは困難である。
既存の手法では、潜在的なマッピングのカバレッジが低く、コンテキストグラフに十分な証拠がなく、サブタスクサイズが大きく異なる。
本研究では,高品質タスク分割を伴う大規模EAのためのDivEAフレームワークを設計する。
EAサブタスクに、本来大きなEAタスクに存在する潜在的なマッピングの比率を組み込むため、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。
対応するディスカバリメソッドに特有ののは、潜在的なマッピングの可能性の明示的なモデリングです。
また,コンテキストエンティティの情報度を定量化するためのエビデンスパッシング機構を導入し,サブタスクサイズを柔軟に制御した,最も有益なコンテキストグラフを求める。
大規模な実験は、DivEAが代替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ことを示している。
関連論文リスト
- Aligning Multiple Knowledge Graphs in a Single Pass [16.396492040719657]
複数の知識グラフの整合性を解決するために,MultiEAという効果的なフレームワークを提案する。
特に,アライメント性能を向上させるために,革新的な推論拡張手法を提案する。
その結果,MultiEAは1回のパスで複数のKGを効果的かつ効率的にアライメントできることがわかった。
論文 参考訳（メタデータ） (2024-08-01T15:58:05Z) - Localizing Task Information for Improved Model Merging and Compression [61.16012721460561]
我々は,各タスクの重み付けが重なり合わないことが多いため,各タスクがマージされた後も,各タスクの解決に必要な情報が保存されていることを示す。
本稿では,そのような重みを排除し,既存のモデルマージ手法の一般的な性能を改善するアルゴリズムであるConsensus Mergingを提案する。
論文 参考訳（メタデータ） (2024-05-13T14:54:37Z) - Understanding and Guiding Weakly Supervised Entity Alignment with Potential Isomorphism Propagation [31.558938631213074]
本稿では,弱教師付きEA分析のための伝搬視点を提案する。
集約に基づくEAモデルは、ペアのエンティティ類似性に対する伝搬演算子を求めることを示す。
我々は、この演算子を組み込んだ一般的なEAフレームワークであるPipEAを開発し、集約ベースのモデルの種類ごとに精度を向上させる。
論文 参考訳（メタデータ） (2024-02-05T14:06:15Z) - Distribution Matching for Multi-Task Learning of Classification Tasks: a
Large-Scale Study on Faces & Beyond [62.406687088097605]
マルチタスク学習(MTL)は、複数の関連するタスクを共同で学習し、共有表現空間から恩恵を受けるフレームワークである。
MTLは、ほとんど重複しない、あるいは重複しないアノテーションで分類タスクで成功することを示す。
本稿では,分散マッチングによるタスク間の知識交換を可能にする新しい手法を提案する。
論文 参考訳（メタデータ） (2024-01-02T14:18:11Z) - Concrete Subspace Learning based Interference Elimination for Multi-task
Model Fusion [86.6191592951269]
一般的な事前訓練された大規模モデルから微調整されたマージングモデルは、様々なタスクに特化しているが、様々なタスクでうまく機能するマルチタスクモデルを構築するための安価でスケーラブルな戦略として実証されている。
本稿では、共通低次元部分空間を同定し、その共有情報トラック干渉問題を性能を犠牲にすることなく利用するための連続緩和(Concrete)部分空間学習法を提案する。
論文 参考訳（メタデータ） (2023-12-11T07:24:54Z) - Toward Practical Entity Alignment Method Design: Insights from New
Highly Heterogeneous Knowledge Graph Datasets [32.68422342604253]
実運用環境でのエンティティアライメント(EA)手法の性能について検討し、特に高ヘテロジニアスKG(HHKG)のアライメントに着目した。
以上の結果から,HHKGと協調して,メッセージパッシングやアグリゲーション機構を通じて,貴重な構造情報を活用できることが示唆された。
これらの結果は、すべてのEAデータセットに対するパナセアとして、GNNベースの手法の従来の適用に関連する潜在的な問題に光を当てた。
論文 参考訳（メタデータ） (2023-04-07T04:10:26Z) - 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) - ClusterEA: Scalable Entity Alignment with Stochastic Training and
Normalized Mini-batch Similarities [26.724014626196322]
ClusterEAは、ミニバッチ上で正規化メソッドを活用することで、EAモデルをスケールアップし、その結果を向上することができる。
最初にEA向けの大規模なGNNをトレーニングし、エンティティの埋め込みを生成する。
埋め込みに基づいて、非常に重なり合ったミニバッチをサンプリングするための新しいClusterSampler戦略が提案されている。
論文 参考訳（メタデータ） (2022-05-20T17:29:50Z) - Good Visual Guidance Makes A Better Extractor: Hierarchical Visual
Prefix for Multimodal Entity and Relation Extraction [88.6585431949086]
本稿では,視覚的な実体と関係抽出のための階層型ビジュアルプレフィックス融合NeTwork(HVPNeT)を提案する。
視覚的表現をプラグ可能な視覚的接頭辞とみなして, 誤りに敏感な予測決定のためのテキスト的表現を導出する。
3つのベンチマークデータセットの実験により,本手法の有効性が実証され,最先端の性能が得られた。
論文 参考訳（メタデータ） (2022-05-07T02:10:55Z) - An Accurate Unsupervised Method for Joint Entity Alignment and Dangling
Entity Detection [0.3965019866400874]
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。
論文 参考訳（メタデータ） (2022-03-10T04:08:53Z) - Prior Guided Feature Enrichment Network for Few-Shot Segmentation [64.91560451900125]
最先端のセマンティックセグメンテーション手法は、良い結果を得るために十分なラベル付きデータを必要とする。
少数のラベル付きサポートサンプルを持つ新しいクラスに迅速に適応するモデルを学習することで,この問題に対処するためのショットセグメンテーションが提案されている。
これらのフレームワークは、高レベルのセマンティック情報の不適切な使用により、目に見えないクラスにおける一般化能力の低下という課題に直面している。
論文 参考訳（メタデータ） (2020-08-04T10:41:32Z)
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。