論文の概要: A Fused Gromov-Wasserstein Framework for Unsupervised Knowledge Graph Entity Alignment

• arxiv url: http://arxiv.org/abs/2305.06574v1
• Date: Thu, 11 May 2023 05:17:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-12 15:58:00.728547
• Title: A Fused Gromov-Wasserstein Framework for Unsupervised Knowledge Graph Entity Alignment
• Title（参考訳）: 教師なし知識グラフエンティティアライメントのためのgromov-wassersteinフレームワーク
• Authors: Jianheng Tang, Kangfei Zhao, Jia Li
• Abstract要約: 本稿では,FGW(Fused Gromov-Wasserstein)距離を利用した非教師なしエンティティアライメントフレームワークFGWEAを紹介する。 我々は,FGWEAが,最先端管理エンティティアライメント手法を含む21の競争ベースラインを超えることを示す。
• 参考スコア（独自算出の注目度）: 22.526341223786375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Entity alignment is the task of identifying corresponding entities across different knowledge graphs (KGs). Although recent embedding-based entity alignment methods have shown significant advancements, they still struggle to fully utilize KG structural information. In this paper, we introduce FGWEA, an unsupervised entity alignment framework that leverages the Fused Gromov-Wasserstein (FGW) distance, allowing for a comprehensive comparison of entity semantics and KG structures within a joint optimization framework. To address the computational challenges associated with optimizing FGW, we devise a three-stage progressive optimization algorithm. It starts with a basic semantic embedding matching, proceeds to approximate cross-KG structural and relational similarity matching based on iterative updates of high-confidence entity links, and ultimately culminates in a global structural comparison between KGs. We perform extensive experiments on four entity alignment datasets covering 14 distinct KGs across five languages. Without any supervision or hyper-parameter tuning, FGWEA surpasses 21 competitive baselines, including cutting-edge supervised entity alignment methods. Our code is available at https://github.com/squareRoot3/FusedGW-Entity-Alignment.
• Abstract（参考訳）: エンティティアライメントは、異なる知識グラフ(KG)間で対応するエンティティを識別するタスクである。 最近の埋め込み型エンティティアライメント手法は大きな進歩を見せているが、KG構造情報の活用に苦慮している。 本稿では,FGW(Fused Gromov-Wasserstein)距離を利用した非教師付きエンティティアライメントフレームワークであるFGWEAを紹介する。 FGWの最適化に伴う計算問題に対処するため、3段階のプログレッシブ最適化アルゴリズムを考案した。 基本的なセマンティック埋め込みマッチングから始まり、高信頼なエンティティリンクの反復的な更新に基づいて、クロスKG構造とリレーショナル類似性マッチングを近似し、最終的にKG間のグローバルな構造比較で決定する。 5言語にわたる14の異なるKGをカバーする4つのエンティティアライメントデータセットについて広範な実験を行った。 監督やハイパーパラメータチューニングがなければ、fgweaは最先端のエンティティアライメントメソッドを含む21の競合ベースラインを超える。 私たちのコードはhttps://github.com/squareRoot3/FusedGW-Entity-Alignmentで利用可能です。

関連論文リスト

• EventEA: Benchmarking Entity Alignment for Event-centric Knowledge Graphs [17.27027602556303]
  過去の進歩は偏りと不整合性評価によるものであることが示されています。 我々は、イベント中心のKGに基づいて、異種関係と属性を持つ新しいデータセットを構築した。 この問題に対する新たなアプローチとして,エンティティアライメントのためのタイムアウェアリテラルエンコーダを提案する。
  論文  参考訳（メタデータ） (2022-11-05T05:34:21Z)
• Exploiting Global Semantic Similarities in Knowledge Graphs by Relational Prototype Entities [55.952077365016066]
  実証的な観察では、頭と尾のエンティティが同じ関係で結ばれている場合、しばしば同様の意味的属性を共有する。 我々は、textittextbfrelational prototype entityと呼ばれる仮想ノードのセットを導入する新しいアプローチを提案する。 エンティティの埋め込みを、関連するプロトタイプの埋め込みに近づけることで、私たちのアプローチは、エンティティのグローバルな意味的類似性を効果的に促進できる。
  論文  参考訳（メタデータ） (2022-06-16T09:25:33Z)
• Dangling-Aware Entity Alignment with Mixed High-Order Proximities [65.53948800594802]
  ダングリングを意識したエンティティアライメントは、知識グラフにおいて未探索だが重要な問題である。 ダングリング・アウェア・エンティティアライメントにおける混合高次近似を用いたフレームワークを提案する。 我々のフレームワークはより正確にダングリングエンティティを検出し、マッチング可能なエンティティをよりよく調整します。
  論文  参考訳（メタデータ） (2022-05-05T02:39:55Z)
• Semi-constraint Optimal Transport for Entity Alignment with Dangling Cases [6.755145435406154]
  タングリングケース(SoTead)におけるエンティティアライメントのための半制約最適輸送と呼ばれる教師なし手法を提案する。 我々の主な考えは、2つのKG間のエンティティアライメントを、あるKGのエンティティから他のエンティティへの最適な輸送問題としてモデル化することである。 実験的な部分では、一般的に使用されるエンティティアライメントデータセット上で、まずSoTeadの優位性を示す。
  論文  参考訳（メタデータ） (2022-03-11T04:20:18Z)
• SelfKG: Self-Supervised Entity Alignment in Knowledge Graphs [24.647609970140095]
  我々は,自己指導型学習目標であるSelfKGを開発した。 我々は、SelfKGが最先端の教師付きベースラインと同等あるいは同等の結果が得られることを示す。 SelfKGのパフォーマンスは、自己教師型学習がKGにおけるエンティティアライメントに大きな可能性をもたらすことを示唆している。
  論文  参考訳（メタデータ） (2022-03-02T11:40:37Z)
• RAGA: Relation-aware Graph Attention Networks for Global Entity Alignment [14.287681294725438]
  実体と関係の相互作用を捉えるために,Relation-aware Graph Attention Networksに基づく新しいフレームワークを提案する。 本フレームワークでは,エンティティ情報を関係に分散し,関係情報をエンティティに集約する自己認識機構を採用している。
  論文  参考訳（メタデータ） (2021-03-01T06:30:51Z)
• Towards Entity Alignment in the Open World: An Unsupervised Approach [29.337157862514204]
  これは知識のカバレッジと品質を高めるために知識グラフ(kgs)を統合する上で重要なステップである。 最先端のソリューションは、モデルトレーニングにラベル付きデータに頼る傾向があります。 オープンな世界でエンティティアライメントを行う監視されていないフレームワークを提供します。
  論文  参考訳（メタデータ） (2021-01-26T03:10:24Z)
• 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)
• Visual Pivoting for (Unsupervised) Entity Alignment [93.82387952905756]
  本研究は、異種知識グラフ(KGs)におけるエンティティの整列のための視覚的意味表現の使用について研究する。 提案した新しいアプローチであるEVAは、クロスグラフエンティティアライメントのための強い信号を提供する包括的エンティティ表現を生成する。
  論文  参考訳（メタデータ） (2020-09-28T20:09:40Z)
• Inductive Learning on Commonsense Knowledge Graph Completion [89.72388313527296]
  コモンセンス知識グラフ(英: Commonsense Knowledge graph、CKG)は、知識グラフ(英: knowledge graph、CKG)の一種。 本稿では,未確認のエンティティがテスト時に現れるCKG完了のための帰納学習環境について検討する。 InductivEは、ATOMICとConceptNetベンチマークの標準設定とインダクティブ設定の両方において、最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-09-19T16:10:26Z)
• Cross-lingual Entity Alignment with Incidental Supervision [76.66793175159192]
  本稿では,多言語KGとテキストコーパスを共通埋め込み方式で共同で表現する,偶発的に教師付きモデルであるJEANSを提案する。 ベンチマークデータセットの実験では、JEANSがエンティティアライメントとインシデントインシデントインシデントインスペクションの改善を期待できる結果となった。
  論文  参考訳（メタデータ） (2020-05-01T01:53:56Z)

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。