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
- Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。
提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。
これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
論文 参考訳（メタデータ） (2024-09-09T12:56:02Z) - When Heterophily Meets Heterogeneous Graphs: Latent Graphs Guided Unsupervised Representation Learning [6.2167203720326025]
非教師付きヘテロジニアスグラフ表現学習(UHGRL)は,ラベルのない実用的なグラフを扱うことの重要性から注目されている。
我々はセマンティックなヘテロフィリーを定義し、この問題に対処するためにLatGRL(Latent Graphs Guided Unsupervised Representation Learning)と呼ばれる革新的なフレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-01T10:25:06Z) - A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。
我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。
GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文 参考訳（メタデータ） (2024-06-19T22:30:08Z) - Introducing Diminutive Causal Structure into Graph Representation Learning [19.132025125620274]
本稿では,グラフニューラルネット(GNN)が専門的な最小の因果構造から洞察を得ることを可能にする新しい手法を提案する。
本手法は,これらの小型因果構造のモデル表現から因果知識を抽出する。
論文 参考訳（メタデータ） (2024-06-13T00:18:20Z) - Learn from Heterophily: Heterophilous Information-enhanced Graph Neural Network [4.078409998614025]
論理的に異なるラベルを持つノードは意味論的意味に基づいて接続される傾向があるが、グラフニューラルネットワーク(GNN)は、しばしば最適以下の性能を示す。
ヘテロフィリーに固有の意味情報をグラフ学習において効果的に活用できることを示す。
ノード分布を利用して異種情報を統合する新しいグラフ構造を構築する革新的な手法であるHiGNNを提案する。
論文 参考訳（メタデータ） (2024-03-26T03:29:42Z) - 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) - Gradient Flow of Energy: A General and Efficient Approach for Entity Alignment Decoding [24.613735853099534]
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最大化し,グラフのホモフィリーを最大化する。
特に、この手法は、追加計算時間の6秒未満でこれらの進歩を達成する。
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) - 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 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) - 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。