論文の概要: Revisit and Outstrip Entity Alignment: A Perspective of Generative Models

• arxiv url: http://arxiv.org/abs/2305.14651v1
• Date: Wed, 24 May 2023 02:39:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-25 20:29:08.211994
• Title: Revisit and Outstrip Entity Alignment: A Perspective of Generative Models
• Title（参考訳）: エンティティアライメントの再検討とアウトストリップ:生成モデルの視点から
• Authors: Lingbing Guo, Zhuo Chen, Jiaoyan Chen, and Huajun Chen
• Abstract要約: 組込み型エンティティアライメント(EEA)を生成モデルの観点から検討する。 脳波は典型的生成モデルにおける主目的がそれと類似している特別な問題であることを示す。 そして、それらの不完全な目的が、エンティティアライメントとエンティティ合成の両方の能力を制限することを明らかにする。
• 参考スコア（独自算出の注目度）: 32.220107335961394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent embedding-based methods have achieved great successes on exploiting entity alignment from knowledge graph (KG) embeddings of multiple modals. In this paper, we study embedding-based entity alignment (EEA) from a perspective of generative models. We show that EEA is a special problem where the main objective is analogous to that in a typical generative model, based on which we theoretically prove the effectiveness of the recently developed generative adversarial network (GAN)-based EEA methods. We then reveal that their incomplete objective limits the capacity on both entity alignment and entity synthesis (i.e., generating new entities). We mitigate this problem by introducing a generative EEA (abbr., GEEA) framework with the proposed mutual variational autoencoder (M-VAE) as the generative model. M-VAE can convert an entity from one KG to another and generate new entities from random noise vectors. We demonstrate the power of GEEA with theoretical analysis and empirical experiments on both entity alignment and entity synthesis tasks.
• Abstract（参考訳）: 近年の埋め込み方式は,複数のモーダルの知識グラフ(KG)埋め込みからエンティティアライメントを活用することに成功している。 本稿では, 組込み型エンティティアライメント(EEA)について, 生成モデルの観点から検討する。 我々は,最近開発されたGAN(Generative Adversarial Network)に基づくEEA手法の有効性を理論的に証明した。 そして、その不完全な目的が、エンティティアライメントとエンティティ合成(すなわち、新しいエンティティの生成)の両方の能力を制限することを明らかにする。 生成モデルとして相互変分オートエンコーダ(M-VAE)を用いた生成EEA(abbr., GEEA)フレームワークを導入することでこの問題を軽減する。 M-VAEは、エンティティをあるKGから別のKGに変換し、ランダムノイズベクトルから新しいエンティティを生成することができる。 GEEAのパワーを理論的解析と実証実験で示し, 実体アライメントと実体合成の両課題について検討した。

関連論文リスト

• Attr-Int: A Simple and Effective Entity Alignment Framework for Heterogeneous Knowledge Graphs [9.725601872648566]
  エンティティアライメント(EA)とは、異なる知識グラフ(KG)内のエンティティをリンクすることである。 本稿では, 異種KG間の整合性の問題について検討し, 対処する。 本稿では,Attr-Intと呼ばれるシンプルで効果的なエンティティアライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-17T10:16:56Z)
• Learning to Extract Structured Entities Using Language Models [52.281701191329]
  機械学習の最近の進歩は、情報抽出の分野に大きな影響を与えている。 タスクをエンティティ中心にすることで、さまざまなメトリクスの使用を可能にします。 我々は、Structured Entity extractを導入し、Adroximate Entity Set OverlaPメトリックを提案し、この分野にコントリビュートします。
  論文  参考訳（メタデータ） (2024-02-06T22:15:09Z)
• Understanding and Guiding Weakly Supervised Entity Alignment with Potential Isomorphism Propagation [31.558938631213074]
  本稿では,弱教師付きEA分析のための伝搬視点を提案する。 集約に基づくEAモデルは、ペアのエンティティ類似性に対する伝搬演算子を求めることを示す。 我々は、この演算子を組み込んだ一般的なEAフレームワークであるPipEAを開発し、集約ベースのモデルの種類ごとに精度を向上させる。
  論文  参考訳（メタデータ） (2024-02-05T14:06:15Z)
• Improving Knowledge Graph Entity Alignment with Graph Augmentation [11.1094009195297]
  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。
  論文  参考訳（メタデータ） (2023-04-28T01:22:47Z)
• Instance-aware Model Ensemble With Distillation For Unsupervised Domain Adaptation [28.79286984013436]
  本稿では,新しいフレームワーク,すなわち IMED を用いたモデルアンサンブルを提案する。 IMEDは複数のUDAコンポーネントモデルを異なるインスタンスに応じて適応的に融合し、これらのコンポーネントを小さなモデルに蒸留する。 本稿では, IMEDに基づくモデルと, 同等の計算コスト下での最先端技術について述べる。
  論文  参考訳（メタデータ） (2022-11-15T12:53:23Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Relational Reflection Entity Alignment [28.42319743737994]
  エンティティアライメントは知識グラフ(KG)からエンティティペアを特定する エンティティアライメントにGNNを導入することで、最近のモデルのアーキテクチャはますます複雑になっています。 本稿では,既存のエンティティアライメント手法を統一的なフレームワークであるShape-Builder & Alignmentに抽象化する。
  論文  参考訳（メタデータ） (2020-08-18T14:49:31Z)
• Energy-based View of Retrosynthesis [70.66156081030766]
  エネルギーモデルとしてシーケンスおよびグラフベースの手法を統一するフレームワークを提案する。 本稿では,ベイズ前方および後方予測に対して一貫した訓練を行うフレームワーク内での新しい二重変種を提案する。 このモデルは、反応型が不明なテンプレートフリーアプローチに対して、最先端の性能を9.6%向上させる。
  論文  参考訳（メタデータ） (2020-07-14T18:51:06Z)
• Rethinking Generalization of Neural Models: A Named Entity Recognition Case Study [81.11161697133095]
  NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。 詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。 本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
  論文  参考訳（メタデータ） (2020-01-12T04:33:53Z)

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。