論文の概要: Conflict-Aware Pseudo Labeling via Optimal Transport for Entity
Alignment
- arxiv url: http://arxiv.org/abs/2209.01847v1
- Date: Mon, 5 Sep 2022 09:14:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 12:52:00.504286
- Title: Conflict-Aware Pseudo Labeling via Optimal Transport for Entity
Alignment
- Title(参考訳): エンティティアライメントのための最適トランスポートによる競合認識擬似ラベリング
- Authors: Qijie Ding, Daokun Zhang, Jie Yin
- Abstract要約: 本稿では,エンティティアライメントのための最適輸送モデル (CPL-OT) を用いた競合対応Pseudo Labelingを提案する。
CPL-OTは、グローバルローカルアグリゲーションと反復的コンフリクト対応擬似ラベリングを組み合わせた2つの重要なコンポーネント・エンゲージメント学習で構成されている。
セッティングとアライメントの両面で、最先端のベースラインを著しく上回ります。
- 参考スコア(独自算出の注目度): 4.5591913587473964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Entity alignment aims to discover unique equivalent entity pairs with the
same meaning across different knowledge graphs (KG). It has been a compelling
but challenging task for knowledge integration or fusion. Existing models have
primarily focused on projecting KGs into a latent embedding space to capture
inherent semantics between entities for entity alignment. However, the adverse
impacts of alignment conflicts have been largely overlooked during training,
thus limiting the entity alignment performance. To address this issue, we
propose a novel Conflict-aware Pseudo Labeling via Optimal Transport model
(CPL-OT) for entity alignment. The key idea of CPL-OT is to iteratively
pseudo-label alignment pairs empowered with conflict-aware Optimal Transport
modeling to boost the precision of entity alignment. CPL-OT is composed of two
key components-entity embedding learning with global-local aggregation and
iterative conflict-aware pseudo labeling-that mutually reinforce each other. To
mitigate alignment conflicts during pseudo labeling, we propose to use optimal
transport (OT) as an effective means to warrant one-to-one entity alignment
between two KGs with the minimal overall transport cost. The transport cost is
calculated as the rectified distance between entity embeddings obtained via
graph convolution augmented with global-level semantics. Extensive experiments
on benchmark datasets show that CPL-OT can markedly outperform state-of-the-art
baselines under both settings with and without prior alignment seeds.
- Abstract(参考訳): エンティティアライメントは、異なる知識グラフ(KG)で同じ意味を持つユニークな等価エンティティペアを見つけることを目的としている。
知識の統合や融合は魅力的な作業ですが、難しい作業でした。
既存のモデルは主に、エンティティアライメントのためのエンティティ間の固有のセマンティクスを捉えるために、潜在埋め込み空間にkgを投影することに焦点を当てている。
しかし、アライメントコンフリクトの悪影響はトレーニング中にほとんど見過ごされ、エンティティアライメントのパフォーマンスが制限されている。
この問題に対処するために,エンティティアライメントのための最適輸送モデル(CPL-OT)を用いた新しい衝突対応Pseudo Labelingを提案する。
CPL-OTの鍵となる考え方は、コンフリクトを意識した最適輸送モデリングにより、繰り返し擬似ラベルアライメントペアを付与し、エンティティアライメントの精度を高めることである。
CPL-OTは、グローバルな局所的な集約を伴う2つの重要なコンポーネントの埋め込み学習と、相互に強化する反復的なコンフリクト認識の擬似ラベリングで構成されている。
擬似ラベリングにおけるアライメント競合を軽減するため,2つのKG間の1対1のエンティティアライメントを最小の輸送コストで保証する手段として,最適なトランスポート(OT)を提案する。
トランスポートコストは,グローバルレベルのセマンティクスを付加したグラフ畳み込みにより得られたエンティティ埋め込み間の整合距離として計算される。
ベンチマークデータセットの大規模な実験によると、CPL-OTは、事前のアライメントシードと非設定の両方で、最先端のベースラインを著しく上回る。
関連論文リスト
- Entity Alignment with Unlabeled Dangling Cases [49.86384156476041]
本稿では,新しいGNNに基づくダングリング検出とエンティティアライメントフレームワークを提案する。
2つのタスクは同じGNNを共有するが、検出されたダングリングエンティティはアライメントで削除される。
このフレームワークは,表現学習における選択的近傍集約のための設計された実体と関係性注意機構によって特徴付けられる。
論文 参考訳(メタデータ) (2024-03-16T17:21:58Z) - Unsupervised Cross-Domain Image Retrieval via Prototypical Optimal Transport [24.141959555741696]
教師なしクロスドメイン画像検索は、ラベル付きデータに頼ることなく、さまざまな領域で同じカテゴリを共有する画像を検索することを目的としている。
従来のアプローチでは、UCIRの問題をドメイン内表現学習とドメイン間特徴アライメントという2つの異なるタスクに分解していた。
本稿では,UCIR に最適化された新規な Optimal Transport の定式化である ProtoOT を紹介する。
論文 参考訳(メタデータ) (2024-02-28T15:31:45Z) - Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析
本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。
我々の手法は、最先端の手法をクリアマージンで上回る。
論文 参考訳(メタデータ) (2023-07-16T16:32:14Z) - Combating Confirmation Bias: A Unified Pseudo-Labeling Framework for
Entity Alignment [29.18600512063287]
エンティティアライメントのための統一擬似ラベルフレームワーク(UPL-EA)を提案する。
UPL-EAは、エンティティアライメントの精度を高めるために、擬似ラベルエラーを明示的に排除する。
UPL-EAの擬似ラベル誤り除去効果は理論的に支持され,実験的に検証された。
論文 参考訳(メタデータ) (2023-07-05T07:32:34Z) - From Alignment to Entailment: A Unified Textual Entailment Framework for
Entity Alignment [17.70562397382911]
既存のメソッドは通常、エンティティのトリプルを埋め込みとしてエンコードし、埋め込みの整列を学ぶ。
我々は両トリプルを統一されたテキストシーケンスに変換し、EAタスクを双方向のテキストエンタテインメントタスクとしてモデル化する。
提案手法は,エンティティ間の2種類の情報の統合相関パターンを捕捉し,元のエンティティ情報間のきめ細かい相互作用を明示的にモデル化する。
論文 参考訳(メタデータ) (2023-05-19T08:06:50Z) - Optimizing Bi-Encoder for Named Entity Recognition via Contrastive
Learning [80.36076044023581]
名前付きエンティティ認識(NER)のための効率的なバイエンコーダフレームワークを提案する。
我々はNERを、エンティティ参照のベクトル表現とその型との類似性を最大化する計量学習問題とみなす。
NERのこのバイエンコーダの定式化における大きな課題は、エンティティの言及から非エンゲージスを分離することにある。
論文 参考訳(メタデータ) (2022-08-30T23:19:04Z) - Disentangled Federated Learning for Tackling Attributes Skew via
Invariant Aggregation and Diversity Transferring [104.19414150171472]
属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。
本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。
実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
論文 参考訳(メタデータ) (2022-06-14T13:12:12Z) - Semi-constraint Optimal Transport for Entity Alignment with Dangling
Cases [6.755145435406154]
タングリングケース(SoTead)におけるエンティティアライメントのための半制約最適輸送と呼ばれる教師なし手法を提案する。
我々の主な考えは、2つのKG間のエンティティアライメントを、あるKGのエンティティから他のエンティティへの最適な輸送問題としてモデル化することである。
実験的な部分では、一般的に使用されるエンティティアライメントデータセット上で、まずSoTeadの優位性を示す。
論文 参考訳(メタデータ) (2022-03-11T04:20:18Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳(メタデータ) (2021-12-12T06:11:16Z) - Simultaneous Semantic Alignment Network for Heterogeneous Domain
Adaptation [67.37606333193357]
本稿では,カテゴリ間の相関を同時に利用し,各カテゴリ毎のセントロイドを整列させるために,aSimultaneous Semantic Alignment Network (SSAN)を提案する。
対象の擬似ラベルを利用することで、各カテゴリの特徴表現を整列させるために、ロバストな三重項中心のアライメント機構を明示的に適用する。
テキスト・ツー・イメージ、画像・画像・テキスト・ツー・テキストにわたる様々なHDAタスクの実験は、最先端のHDA手法に対するSSANの優位性を検証することに成功した。
論文 参考訳(メタデータ) (2020-08-04T16:20:37Z)
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。