論文の概要: Unsupervised Entity Alignment for Temporal Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2302.00796v1
- Date: Wed, 1 Feb 2023 23:03:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-03 16:00:52.393316
- Title: Unsupervised Entity Alignment for Temporal Knowledge Graphs
- Title（参考訳）: 時間知識グラフに対する教師なしエンティティアライメント
- Authors: Xiaoze Liu, Junyang Wu, Tianyi Li, Lu Chen, Yunjun Gao
- Abstract要約: エンティティアライメントのための時間的および関係的な情報を融合するDualMatchを提案する。
時間的情報を効果的に取得できるため、TKG上でEAを実行することができる。
3つの実世界のTKGデータセットの実験は、DualMatchがH@1の2.4%から10.7%で最先端の手法より優れているという洞察を与える。
- 参考スコア（独自算出の注目度）: 24.830107011195302
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Entity alignment (EA) is a fundamental data integration task that identifies
equivalent entities between different knowledge graphs (KGs). Temporal
Knowledge graphs (TKGs) extend traditional knowledge graphs by introducing
timestamps, which have received increasing attention. State-of-the-art
time-aware EA studies have suggested that the temporal information of TKGs
facilitates the performance of EA. However, existing studies have not
thoroughly exploited the advantages of temporal information in TKGs. Also, they
perform EA by pre-aligning entity pairs, which can be labor-intensive and thus
inefficient.
In this paper, we present DualMatch which effectively fuses the relational
and temporal information for EA. DualMatch transfers EA on TKGs into a weighted
graph matching problem. More specifically, DualMatch is equipped with an
unsupervised method, which achieves EA without necessitating seed alignment.
DualMatch has two steps: (i) encoding temporal and relational information into
embeddings separately using a novel label-free encoder, Dual-Encoder; and (ii)
fusing both information and transforming it into alignment using a novel
graph-matching-based decoder, GM-Decoder. DualMatch is able to perform EA on
TKGs with or without supervision, due to its capability of effectively
capturing temporal information. Extensive experiments on three real-world TKG
datasets offer the insight that DualMatch outperforms the state-of-the-art
methods in terms of H@1 by 2.4% - 10.7% and MRR by 1.7% - 7.6%, respectively.
- Abstract（参考訳）: エンティティアライメント(EA)は、異なる知識グラフ(KG)間の等価エンティティを識別する基本的なデータ統合タスクである。
時間的知識グラフ(tkg)は、タイムスタンプを導入することで従来の知識グラフを拡張する。
最先端のEA研究は、TKGの時間的情報はEAのパフォーマンスを促進することを示唆している。
しかし、既存の研究はtkgの時間的情報の利点を十分に活用していない。
また、労働集約的で非効率なエンティティペアを事前調整することでEAを実行する。
本稿では,EAにおける関係情報と時間情報を効果的に融合したDualMatchを提案する。
dualmatch は tkg 上の ea を重み付きグラフマッチング問題に転送する。
より具体的には、DualMatchには教師なしの方法があり、種子のアライメントを必要とせずにEAを達成する。
DualMatchには2つのステップがある。
一 新規なラベルフリーエンコーダ、デュアルエンコーダを用いて、時間的及び関係的な情報を別々に埋め込みに符号化すること
(2)新しいグラフマッチングベースのデコーダ,GM-Decoderを用いて,両情報を融合してアライメントに変換する。
DualMatchは、時間的情報を効果的にキャプチャする能力のため、TKG上でEAを実行することができる。
3つの現実世界のTKGデータセットに対する大規模な実験は、DualMatchがH@1の2.4%から10.7%、MRRの1.7%から7.6%で最先端の手法より優れているという洞察を与える。
関連論文リスト
- 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) - A Simple Temporal Information Matching Mechanism for Entity Alignment
Between Temporal Knowledge Graphs [18.451872649228196]
本稿では,時間的情報マッチング機構を組み合わせた単純なグラフニューラルネットワーク(GNN)モデルを提案する。
また、TKGの時間情報を用いて、教師なしアライメント種子を生成する方法を提案する。
論文 参考訳（メタデータ） (2022-09-20T12:27:34Z) - 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) - Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased
Scene Graph Generation [62.96628432641806]
Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。
まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。
次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
論文 参考訳（メタデータ） (2022-03-18T09:14:13Z) - 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) - Time-aware Graph Neural Networks for Entity Alignment between Temporal
Knowledge Graphs [8.739319749401819]
グラフニューラルネットワーク(TEA-GNN)に基づく時間認識型エンティティアライメント手法を提案する。
本手法は時間情報の導入により最先端の手法よりも優れる。
論文 参考訳（メタデータ） (2022-03-04T06:41:51Z) - Continuous-Time Sequential Recommendation with Temporal Graph
Collaborative Transformer [69.0621959845251]
本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。
TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。
5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2021-08-14T22:50:53Z) - Few-Shot Electronic Health Record Coding through Graph Contrastive
Learning [64.8138823920883]
我々は,グラフベースのEHRコーディングフレームワークであるCoGraphを用いて,頻繁かつ希少なICD符号の性能向上を図る。
CoGraphは、異なるICDコードからHEWEグラフ間の類似点と相似点を学習し、それら間で情報を転送する。
2つのグラフコントラスト学習スキームであるGSCLとGECLは、HEWEグラフ構造を利用して、転送可能な特徴を符号化する。
論文 参考訳（メタデータ） (2021-06-29T14:53:17Z) - T-GAP: Learning to Walk across Time for Temporal Knowledge Graph
Completion [13.209193437124881]
時間的知識グラフ(TKG)は、静的知識グラフとは対照的に、本質的に現実世界の知識の過渡的な性質を反映している。
エンコーダとデコーダにおける時間情報とグラフ構造の両方を最大限に活用するTKG補完の新しいモデルであるT-GAPを提案する。
本実験は、T-GAPが最先端のベースラインに対する優れた性能を達成し、目に見えないタイムスタンプによるクエリに有能に一般化することを示す。
論文 参考訳（メタデータ） (2020-12-19T04:45:32Z) - Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。
Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。
4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2020-08-23T13:16:34Z) - EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with
Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。
完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。
完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文 参考訳（メタデータ） (2020-02-18T08:04:58Z)
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。