論文の概要: SEA: A Scalable Entity Alignment System
- arxiv url: http://arxiv.org/abs/2304.07065v1
- Date: Fri, 14 Apr 2023 11:39:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-17 13:45:36.536041
- Title: SEA: A Scalable Entity Alignment System
- Title(参考訳): SEA: スケーラブルなエンティティアライメントシステム
- Authors: Junyang Wu, Tianyi Li, Lu Chen, Yunjun Gao, Ziheng Wei
- Abstract要約: エンティティアライメント(EA)は知識グラフ(KG)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。
最先端のEAアプローチは一般的に、エンティティをエンコードするためにグラフニューラルネットワーク(GNN)を使用する。
EAのための大規模GNNのトレーニングを可能にする,スケーラブルなエンティティアライメントシステムSEAを提案する。
- 参考スコア(独自算出の注目度): 30.09741195332742
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Entity alignment (EA) aims to find equivalent entities in different knowledge
graphs (KGs). State-of-the-art EA approaches generally use Graph Neural
Networks (GNNs) to encode entities. However, most of them train the models and
evaluate the results in a fullbatch fashion, which prohibits EA from being
scalable on largescale datasets. To enhance the usability of GNN-based EA
models in real-world applications, we present SEA, a scalable entity alignment
system that enables to (i) train large-scale GNNs for EA, (ii) speed up the
normalization and the evaluation process, and (iii) report clear results for
users to estimate different models and parameter settings. SEA can be run on a
computer with merely one graphic card. Moreover, SEA encompasses six
state-of-the-art EA models and provides access for users to quickly establish
and evaluate their own models. Thus, SEA allows users to perform EA without
being involved in tedious implementations, such as negative sampling and
GPU-accelerated evaluation. With SEA, users can gain a clear view of the model
performance. In the demonstration, we show that SEA is user-friendly and is of
high scalability even on computers with limited computational resources.
- 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)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。
最先端のEAアプローチは一般的に、エンティティをエンコードするためにグラフニューラルネットワーク(GNN)を使用する。
しかし、彼らのほとんどはモデルをトレーニングし、その結果をフルバッチ方式で評価し、大規模データセット上でのeaのスケーラビリティを禁止している。
実世界のアプリケーションにおけるGNNベースのEAモデルのユーザビリティを高めるため、スケーラブルなエンティティアライメントシステムSEAを提案する。
(i)EA向けの大規模GNNの訓練
(ii)正規化及び評価工程の高速化、及び
(iii)異なるモデルやパラメータの設定を推定するための明確な結果を報告すること。
SEAは1枚のグラフィックカードでコンピュータ上で実行することができる。
さらに、SEAは6つの最先端EAモデルを含み、ユーザが自身のモデルを迅速に確立し評価するためのアクセスを提供する。
これにより、負のサンプリングやgpuによる評価といった面倒な実装に関わらず、ユーザはeaを実行できる。
SEAでは、ユーザーはモデルパフォーマンスの明確なビューを得ることができる。
実演では,seaはユーザフレンドリーであり,計算資源の少ないコンピュータでも高いスケーラビリティを示す。
関連論文リスト
- Enabling Smart Retrofitting and Performance Anomaly Detection for a
Sensorized Vessel: A Maritime Industry Experience [0.21485350418225244]
本研究では,解釈可能な機械学習モデルを用いたディープラーニング駆動型異常検出システムを提案する。
我々は,LSTM(Long Short-Term Memory)オートエンコーダを用いた,ループ内非教師なしのプロセスを活用する。
TUCANAから取得した実データを用いて実験によりシステム評価を行い,その過程で得られたLSTMモデルを用いて80%以上の精度と90%のリコールを達成した。
論文 参考訳(メタデータ) (2023-12-30T01:31:54Z) - Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。
近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。
本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
論文 参考訳(メタデータ) (2023-09-14T03:48:27Z) - Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。
OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。
我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
論文 参考訳(メタデータ) (2022-09-12T09:19:22Z) - Be Your Own Neighborhood: Detecting Adversarial Example by the
Neighborhood Relations Built on Self-Supervised Learning [64.78972193105443]
本稿では,予測に有効な新しいAE検出フレームワークを提案する。
AEの異常な関係と拡張バージョンを区別して検出を行う。
表現を抽出し、ラベルを予測するために、既製の自己監視学習(SSL)モデルが使用される。
論文 参考訳(メタデータ) (2022-08-31T08:18:44Z) - High-quality Task Division for Large-scale Entity Alignment [28.001266850114643]
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。
論文 参考訳(メタデータ) (2022-08-22T14:46:38Z) - Self-Supervised Hypergraph Transformer for Recommender Systems [25.07482350586435]
自己監督型ハイパーグラフ変換器(SHT)
自己監督型ハイパーグラフ変換器(SHT)
ユーザ-テム相互作用グラフ上のデータ拡張のために,クロスビュー生成型自己教師型学習コンポーネントを提案する。
論文 参考訳(メタデータ) (2022-07-28T18:40:30Z) - Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。
我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。
ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文 参考訳(メタデータ) (2022-06-29T07:49:48Z) - 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) - Preference Enhanced Social Influence Modeling for Network-Aware Cascade
Prediction [59.221668173521884]
本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。
エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
論文 参考訳(メタデータ) (2022-04-18T09:25:06Z) - EIGNN: Efficient Infinite-Depth Graph Neural Networks [51.97361378423152]
グラフニューラルネットワーク(GNN)は多くのアプリケーションでグラフ構造化データのモデリングに広く利用されている。
この制限により、無限深度GNNモデルを提案し、これをEIGNN(Efficient Infinite-Depth Graph Neural Networks)と呼ぶ。
EIGNNは、最近のベースラインよりも長距離依存関係をキャプチャする能力が優れており、常に最先端のパフォーマンスを実現していることを示す。
論文 参考訳(メタデータ) (2022-02-22T08:16:58Z)
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。