論文の概要: LightEA: A Scalable, Robust, and Interpretable Entity Alignment Framework via Three-view Label Propagation

• arxiv url: http://arxiv.org/abs/2210.10436v1
• Date: Wed, 19 Oct 2022 10:07:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 12:50:20.102617
• Title: LightEA: A Scalable, Robust, and Interpretable Entity Alignment Framework via Three-view Label Propagation
• Title（参考訳）: lightea: 3視点ラベル伝搬によるスケーラブルでロバストで解釈可能なエンティティアライメントフレームワーク
• Authors: Xin Mao, Wenting Wang, Yuanbin Wu, Man Lan
• Abstract要約: 既存のGNNベースのEAメソッドは、ニューラルネットワークの系統から生まれてくる欠陥を継承している、と我々は主張する。 我々は,(i)ランダム直交ラベル生成,(ii)3ビューラベル伝搬,(iii)スパースシンクホーンイテレーションという3つの効率的なコンポーネントからなる非神経EAフレームワーク-LightEAを提案する。 公開データセットに関する広範な実験によると、LightEAは印象的なスケーラビリティ、堅牢性、解釈可能性を持っている。
• 参考スコア（独自算出の注目度）: 27.483109233276632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Entity Alignment (EA) aims to find equivalent entity pairs between KGs, which is the core step of bridging and integrating multi-source KGs. In this paper, we argue that existing GNN-based EA methods inherit the inborn defects from their neural network lineage: weak scalability and poor interpretability. Inspired by recent studies, we reinvent the Label Propagation algorithm to effectively run on KGs and propose a non-neural EA framework -- LightEA, consisting of three efficient components: (i) Random Orthogonal Label Generation, (ii) Three-view Label Propagation, and (iii) Sparse Sinkhorn Iteration. According to the extensive experiments on public datasets, LightEA has impressive scalability, robustness, and interpretability. With a mere tenth of time consumption, LightEA achieves comparable results to state-of-the-art methods across all datasets and even surpasses them on many.
• Abstract（参考訳）: エンティティアライメント(EA)は、KG間の等価なエンティティペアを見つけることを目的としている。 本稿では、既存のGNNベースのEA手法が、ニューラルネットワークの系統から生まれてくる欠陥を継承していると論じる。 近年の研究に触発されて,KG上で効果的に動作するためのラベル伝搬アルゴリズムを再発明し,3つの効率的なコンポーネントからなる非神経EAフレームワーク-LightEAを提案する。 (i)ランダム直交ラベル生成、 (ii)三視点ラベル伝搬、及び (iii)スパース・シンクホーン反復。 公開データセットに関する広範な実験によると、lighteaはスケーラビリティ、堅牢性、解釈性に優れています。 ほんの10分の1の時間消費で、LightEAはすべてのデータセットにまたがる最先端のメソッドに匹敵する結果を達成し、多くのデータセットを上回ります。

関連論文リスト

• Attr-Int: A Simple and Effective Entity Alignment Framework for Heterogeneous Knowledge Graphs [9.725601872648566]
  エンティティアライメント(EA)とは、異なる知識グラフ(KG)内のエンティティをリンクすることである。 本稿では, 異種KG間の整合性の問題について検討し, 対処する。 本稿では,Attr-Intと呼ばれるシンプルで効果的なエンティティアライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-17T10:16:56Z)
• 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)
• 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)
• An Effective and Efficient Time-aware Entity Alignment Framework via Two-aspect Three-view Label Propagation [8.87467135480257]
  エンティティアライメント(EA)は、異なる知識グラフ(KG)間の等価なエンティティペアを見つけることを目的としている。 本稿では,TKG,すなわちLightTEA間の効率よく効率的な非神経EAフレームワークを提案する。 提案手法は,TKG間でEAのSOTA法を著しく上回り,LightTEAが消費する時間は最大で数十秒に過ぎなかった。
  論文  参考訳（メタデータ） (2023-07-12T08:51:20Z)
• Collaborative Propagation on Multiple Instance Graphs for 3D Instance Segmentation with Single-point Supervision [63.429704654271475]
  本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。 これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。 具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-10T02:14:39Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• ActiveEA: Active Learning for Neural Entity Alignment [31.212894129845093]
  エンティティアライメント(EA)は、異なる知識グラフ(KG)間で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。 現在の主流の手法であるニューラルEAモデルは、シードアライメントによるトレーニング、すなわち、事前整合したエンティティペアのセットに依存しています。 我々は、神経EAのための新しいアクティブラーニング(AL)フレームワークを考案し、非常に有意義なシードアライメントを作ることを目指している。
  論文  参考訳（メタデータ） (2021-10-13T03:38:04Z)
• Pack Together: Entity and Relation Extraction with Levitated Marker [61.232174424421025]
  エンコーダにマーカを戦略的にパッケージ化することにより,スパン(ペア)間の依存関係を検討するために,Packed Levitated Markersという新しいスパン表現手法を提案する。 実験の結果,3つの平坦なNERタスクにおいて,有望なマーカーが充填されたモデルの方がシーケンスラベルモデルよりも0.4%-1.9%優れ,トークンコンキャットモデルを6つのNERベンチマークで上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-09-13T15:38:13Z)
• AutoTriggER: Label-Efficient and Robust Named Entity Recognition with Auxiliary Trigger Extraction [54.20039200180071]
  我々は,エンティティトリガの自動生成と活用によるNER性能向上のための新しいフレームワークを提案する。 筆者らのフレームワークは,ポストホックな説明を活用して合理的な知識を生成し,埋め込み手法を用いてモデルの事前知識を強化する。 AutoTriggERは強力なラベル効率を示し、目に見えないエンティティを一般化し、RoBERTa-CRFベースラインを平均0.5F1ポイント上回る性能を持つ。
  論文  参考訳（メタデータ） (2021-09-10T08:11:56Z)
• Are Negative Samples Necessary in Entity Alignment? An Approach with High Performance, Scalability and Robustness [26.04006507181558]
  本稿では,高パフォーマンス,高スケーラビリティ,高ロバスト性を実現する3つの新しいコンポーネントを持つ新しいEA手法を提案する。 提案手法の有効性と有効性を検討するために,いくつかの公開データセットについて詳細な実験を行った。
  論文  参考訳（メタデータ） (2021-08-11T15:20:41Z)
• 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)

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。