Fugu-MT 論文翻訳(概要): Guiding Neural Entity Alignment with Compatibility

論文の概要: Guiding Neural Entity Alignment with Compatibility

arxiv url: http://arxiv.org/abs/2211.15833v1
Date: Tue, 29 Nov 2022 00:05:08 GMT
ステータス: 処理完了
システム内更新日: 2022-11-30 14:43:53.218442
Title: Guiding Neural Entity Alignment with Compatibility
Title（参考訳）: 互換性のあるニューラルネットワークアライメントの誘導
Authors: Bing Liu, Harrisen Scells, Wen Hua, Guido Zuccon, Genghong Zhao, Xia Zhang
Abstract要約: 1つの知識グラフ内の異なるエンティティは、他のKGと互換性のあるエンティティを持つべきだ、と我々は主張する。互換性のある予測を行うことは、ラベル付きデータの適合とともに、EAモデルをトレーニングする目標の1つであるべきです。我々は,(1)EAモデルの適合度を測定する方法,(2)EAモデルに互換性のある特性を注入する方法,(3)互換性モデルのパラメータを最適化する方法の3つの問題に対処して,トレーニングフレームワークを考案した。
参考スコア（独自算出の注目度）: 32.22210683891481
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Entity Alignment (EA) aims to find equivalent entities between two Knowledge Graphs (KGs). While numerous neural EA models have been devised, they are mainly learned using labelled data only. In this work, we argue that different entities within one KG should have compatible counterparts in the other KG due to the potential dependencies among the entities. Making compatible predictions thus should be one of the goals of training an EA model along with fitting the labelled data: this aspect however is neglected in current methods. To power neural EA models with compatibility, we devise a training framework by addressing three problems: (1) how to measure the compatibility of an EA model; (2) how to inject the property of being compatible into an EA model; (3) how to optimise parameters of the compatibility model. Extensive experiments on widely-used datasets demonstrate the advantages of integrating compatibility within EA models. In fact, state-of-the-art neural EA models trained within our framework using just 5\% of the labelled data can achieve comparable effectiveness with supervised training using 20\% of the labelled data.
Abstract（参考訳）: エンティティアライメント(EA)は、2つの知識グラフ(KG)の間に等価なエンティティを見つけることを目的としている。多数のニューラルEAモデルが考案されているが、主にラベル付きデータのみを使用して学習されている。本研究では, 1 kg 内の異なるエンティティは,そのエンティティ間の潜在的な依存性から,他の kg と互換性のあるエンティティを持つべきであると主張する。したがって、互換性のある予測を行うことは、ラベル付きデータを適合させるとともに、EAモデルをトレーニングする目標の1つであるべきです。ニューラルEAモデルに互換性を持たせるために,(1)EAモデルの互換性を測定する方法,(2)EAモデルに互換性のある特性を注入する方法,(3)互換性モデルのパラメータを最適化する方法,という3つの問題に対処して,トレーニングフレームワークを考案した。広く使われているデータセットに関する大規模な実験は、EAモデルに互換性を統合する利点を示している。実際、ラベル付きデータのわずか5\%を使用してトレーニングされた最先端のニューラルネットワークeaモデルは、ラベル付きデータの20\%を使用して教師付きトレーニングと同等の効果を達成できます。

関連論文リスト

Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
PropEnは'matching'にインスパイアされている。一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
論文参考訳（メタデータ） (2024-05-28T11:30:19Z)
A Systematic Evaluation of Euclidean Alignment with Deep Learning for EEG Decoding [1.8962934131747162]
ユークリッドアライメント(EA)は、使いやすさ、計算の複雑さの低さ、ディープラーニングモデルとの互換性のために人気を集めている。 EAは対象物のデコーディングを4.33%改善し、収束時間を70%以上短縮する。
論文参考訳（メタデータ） (2024-01-19T15:13:30Z)
Universal Semi-supervised Model Adaptation via Collaborative Consistency Training [92.52892510093037]
我々は、Universal Semi-supervised Model Adaptation (USMA)と呼ばれる現実的で挑戦的なドメイン適応問題を導入する。本稿では,2つのモデル間の予測整合性を規則化する協調的整合性トレーニングフレームワークを提案する。実験により,いくつかのベンチマークデータセットにおける本手法の有効性が示された。
論文参考訳（メタデータ） (2023-07-07T08:19:40Z)
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)
Improving Knowledge Graph Entity Alignment with Graph Augmentation [11.1094009195297]
異なる知識グラフ(KG)をまたいだ等価エンティティをリンクするエンティティアライメント(EA)は、知識融合において重要な役割を果たす。近年、グラフニューラルネットワーク(GNN)は、多くの埋め込みベースのEA手法でうまく適用されている。グラフの強化により、マージンベースのアライメント学習とコントラッシブなエンティティ表現学習のための2つのグラフビューを作成する。
論文参考訳（メタデータ） (2023-04-28T01:22:47Z)
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)
Duality-Induced Regularizer for Semantic Matching Knowledge Graph Embeddings [70.390286614242]
本稿では, 類似のセマンティクスを持つエンティティの埋め込みを効果的に促進する新しい正規化器(duality-induced RegulArizer (DURA))を提案する。実験により、DURAは、最先端のセマンティックマッチングモデルの性能を一貫して改善することを示した。
論文参考訳（メタデータ） (2022-03-24T09:24:39Z)
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)
Improving Label Quality by Jointly Modeling Items and Annotators [68.8204255655161]
雑音アノテータから基底真理ラベルを学習するための完全ベイズ的枠組みを提案する。我々のフレームワークは、ラベル分布上の生成的ベイズソフトクラスタリングモデルを古典的なDavidとSkeneのジョイントアノテータデータモデルに分解することでスケーラビリティを保証する。
論文参考訳（メタデータ） (2021-06-20T02:15:20Z)
Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文参考訳（メタデータ） (2020-12-29T23:43:16Z)
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。