論文の概要: Improving Knowledge Graph Entity Alignment with Graph Augmentation
- arxiv url: http://arxiv.org/abs/2304.14585v1
- Date: Fri, 28 Apr 2023 01:22:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-01 15:37:55.469764
- Title: Improving Knowledge Graph Entity Alignment with Graph Augmentation
- Title(参考訳): グラフ拡張による知識グラフエンティティアライメントの改善
- Authors: Feng Xie, Xiang Zeng, Bin Zhou, Yusong Tan
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 11.1094009195297
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Entity alignment (EA) which links equivalent entities across different
knowledge graphs (KGs) plays a crucial role in knowledge fusion. In recent
years, graph neural networks (GNNs) have been successfully applied in many
embedding-based EA methods. However, existing GNN-based methods either suffer
from the structural heterogeneity issue that especially appears in the real KG
distributions or ignore the heterogeneous representation learning for unseen
(unlabeled) entities, which would lead the model to overfit on few alignment
seeds (i.e., training data) and thus cause unsatisfactory alignment
performance. To enhance the EA ability, we propose GAEA, a novel EA approach
based on graph augmentation. In this model, we design a simple Entity-Relation
(ER) Encoder to generate latent representations for entities via jointly
modeling comprehensive structural information and rich relation semantics.
Moreover, we use graph augmentation to create two graph views for margin-based
alignment learning and contrastive entity representation learning, thus
mitigating structural heterogeneity and further improving the model's alignment
performance. Extensive experiments conducted on benchmark datasets demonstrate
the effectiveness of our method.
- Abstract(参考訳): 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) が多くの埋め込み型EA手法に応用されている。
しかし、既存のGNNベースの手法は、実際のKG分布に特に現れる構造的不均一性の問題に悩まされるか、または未確認(ラベルなし)な実体に対する不均一表現学習を無視し、モデルが少数のアライメントシード(トレーニングデータ)に過度に適合し、不満足なアライメント性能を引き起こす。
EAの能力を高めるために,グラフ拡張に基づく新しいEAアプローチであるGAEAを提案する。
本モデルでは、包括的構造情報とリッチリレーショナルセマンティクスを共同でモデル化することにより、エンティティの潜在表現を生成するための単純なEntity-Relation(ER)エンコーダを設計する。
さらに,グラフ拡張を用いてマージンに基づくアライメント学習と対比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し,構造的不均一性を緩和し,モデルのアライメント性能をさらに向上させる。
ベンチマークデータセット上で行った広範囲な実験により,本手法の有効性が示された。
関連論文リスト
- DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳(メタデータ) (2024-01-28T06:43:13Z) - Design Your Own Universe: A Physics-Informed Agnostic Method for
Enhancing Graph Neural Networks [36.20418371917158]
グラフニューラルネットワーク(GNN)のためのモデルに依存しない拡張フレームワークを提案する。
このフレームワークは、追加ノードを導入し、負の重み付けと負の重み付けの両方で接続を切り替えることでグラフ構造を豊かにする。
提案手法によって強化されたGNNが,過度にスムースな問題を効果的に回避し,過度なスキャッシングに対する堅牢性を示すことを理論的に検証する。
好中球グラフ,ヘテロ親和性グラフ,長期グラフデータセットのベンチマークにおける実証的検証により,本手法により強化されたGNNが元のグラフよりも有意に優れていることが示された。
論文 参考訳(メタデータ) (2024-01-26T00:47:43Z) - Gradient Flow of Energy: A General and Efficient Approach for Entity
Alignment Decoding [26.081103931740277]
我々は,エンティティの埋め込みのみに依存する,新しい,一般化された,効率的なデコーディング手法をEAに導入する。
本手法はディリクレエネルギーを最小化してデコード処理を最適化し,グラフ内の勾配流を誘導し,グラフのホモフィリーを促進させる。
特に、この手法は6秒未満の計算時間でこれらの進歩を達成し、将来のEA手法の効率性と適応性に関する新しいベンチマークを確立する。
論文 参考訳(メタデータ) (2024-01-23T14:31:12Z) - Histopathology Whole Slide Image Analysis with Heterogeneous Graph
Representation Learning [78.49090351193269]
本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。
具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。
我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
論文 参考訳(メタデータ) (2023-07-09T14:43:40Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳(メタデータ) (2022-04-30T12:57:02Z) - Parameterized Hypercomplex Graph Neural Networks for Graph
Classification [1.1852406625172216]
我々は超複雑特徴変換の特性を利用するグラフニューラルネットワークを開発した。
特に、提案したモデルのクラスでは、代数自身を特定する乗法則は、トレーニング中にデータから推測される。
提案するハイパーコンプレックスgnnをいくつかのオープングラフベンチマークデータセット上でテストし,そのモデルが最先端の性能に達することを示す。
論文 参考訳(メタデータ) (2021-03-30T18:01:06Z) - Deepened Graph Auto-Encoders Help Stabilize and Enhance Link Prediction [11.927046591097623]
リンク予測は、浅層グラフオートエンコーダ(GAE)アーキテクチャの1層または2層に基づく現在の最先端モデルを用いて、比較的未研究のグラフ学習タスクである。
本論文では,浅いGAEと変動GAEしか使用できないリンク予測の現在の手法の限界に対処することに焦点をあてる。
提案手法はGAEのアーキテクチャに標準オートエンコーダ(AE)を革新的に組み込んでおり、標準AEは隣接情報とノード機能をシームレスに統合することで必要不可欠な低次元表現を学習する。
論文 参考訳(メタデータ) (2021-03-21T14:43:10Z) - Graph Contrastive Learning with Adaptive Augmentation [23.37786673825192]
本稿では,適応的拡張を用いた新しいグラフコントラスト表現学習法を提案する。
具体的には,ノードの集中度に基づく拡張スキームを設計し,重要な結合構造を明らかにする。
提案手法は,既存の最先端のベースラインを一貫して上回り,教師付きベースラインを超えている。
論文 参考訳(メタデータ) (2020-10-27T15:12:21Z) - Graph Information Bottleneck [77.21967740646784]
グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。
GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。
提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
論文 参考訳(メタデータ) (2020-10-24T07:13:00Z) - Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。
FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
論文 参考訳(メタデータ) (2020-10-19T21:51:47Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳(メタデータ) (2020-03-15T02:33:21Z)
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。