論文の概要: What Makes Entities Similar? A Similarity Flooding Perspective for Multi-sourced Knowledge Graph Embeddings

• arxiv url: http://arxiv.org/abs/2306.02622v1
• Date: Mon, 5 Jun 2023 06:50:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 16:28:05.888519
• Title: What Makes Entities Similar? A Similarity Flooding Perspective for Multi-sourced Knowledge Graph Embeddings
• Title（参考訳）: エンティティはどのようなものか? 多元的知識グラフ埋め込みのための類似性フラッディング視点
• Authors: Zequn Sun and Jiacheng Huang and Xiaozhou Xu and Qijin Chen and Weijun Ren and Wei Hu
• Abstract要約: 我々は、既存の翻訳ベースおよび集約ベースのEAモデルを説明するために、類似性洪水の観点を提供する。 これらのモデルの埋め込み学習プロセスは、実際にエンティティ間のペアの類似性の固定点を求める。
• 参考スコア（独自算出の注目度）: 20.100378168629195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Joint representation learning over multi-sourced knowledge graphs (KGs) yields transferable and expressive embeddings that improve downstream tasks. Entity alignment (EA) is a critical step in this process. Despite recent considerable research progress in embedding-based EA, how it works remains to be explored. In this paper, we provide a similarity flooding perspective to explain existing translation-based and aggregation-based EA models. We prove that the embedding learning process of these models actually seeks a fixpoint of pairwise similarities between entities. We also provide experimental evidence to support our theoretical analysis. We propose two simple but effective methods inspired by the fixpoint computation in similarity flooding, and demonstrate their effectiveness on benchmark datasets. Our work bridges the gap between recent embedding-based models and the conventional similarity flooding algorithm. It would improve our understanding of and increase our faith in embedding-based EA.
• Abstract（参考訳）: マルチソース知識グラフ(KG)上の共同表現学習は、下流タスクを改善するための伝達可能で表現豊かな埋め込みをもたらす。 エンティティアライメント(EA)はこのプロセスにおける重要なステップです。 近年の埋め込み型EAの研究の進展にもかかわらず、その動作方法はまだ検討されていない。 本稿では,既存の翻訳ベースおよび集約ベースEAモデルを説明するために,類似性洪水の視点を提供する。 これらのモデルの埋め込み学習プロセスは、実際にエンティティ間のペアの類似性の固定点を求める。 理論分析を支援する実験的な証拠も提供します。 類似度フラッディングにおける固定点計算に着想を得た2つの簡易かつ効果的な手法を提案し,その効果をベンチマークデータセットで示す。 我々の研究は、最近の埋め込みモデルと従来の類似性洪水アルゴリズムのギャップを埋めるものである。 埋め込みベースのEAに対する私たちの理解を改善し、信頼を高めるでしょう。

関連論文リスト

• Simple Ingredients for Offline Reinforcement Learning [86.1988266277766]
  オフライン強化学習アルゴリズムは、ターゲット下流タスクに高度に接続されたデータセットに有効であることが証明された。 既存の手法が多様なデータと競合することを示す。その性能は、関連するデータ収集によって著しく悪化するが、オフラインバッファに異なるタスクを追加するだけでよい。 アルゴリズム的な考慮以上のスケールが、パフォーマンスに影響を及ぼす重要な要因であることを示す。
  論文  参考訳（メタデータ） (2024-03-19T18:57:53Z)
• 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)
• Generating Explanations to Understand and Repair Embedding-based Entity Alignment [15.608451451547067]
  埋め込み型EA結果の理解と修復のための説明を生成できる最初のフレームワークを提案する。 埋め込みモデルによって生成されたEAペアを前提として、まず近隣のエンティティと関係を比較し、局所的な説明として一致する部分グラフを構築する。 次に、抽象的な視点からペアを理解するためにアライメント依存グラフを構築します。
  論文  参考訳（メタデータ） (2023-12-08T07:27:26Z)
• 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)
• Learnable Pillar-based Re-ranking for Image-Text Retrieval [119.9979224297237]
  画像テキスト検索は、モダリティギャップを埋め、意味的類似性に基づいてモダリティコンテンツを検索することを目的としている。 一般的なポストプロセッシング手法であるリグレードは, 単一モダリティ検索タスクにおいて, 隣り合う関係を捕捉する優位性を明らかにしている。 本稿では,画像テキスト検索のための新しい学習可能な柱型リグレードパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-25T04:33:27Z)
• Toward Practical Entity Alignment Method Design: Insights from New Highly Heterogeneous Knowledge Graph Datasets [32.68422342604253]
  実運用環境でのエンティティアライメント(EA)手法の性能について検討し、特に高ヘテロジニアスKG(HHKG)のアライメントに着目した。 以上の結果から,HHKGと協調して,メッセージパッシングやアグリゲーション機構を通じて,貴重な構造情報を活用できることが示唆された。 これらの結果は、すべてのEAデータセットに対するパナセアとして、GNNベースの手法の従来の適用に関連する潜在的な問題に光を当てた。
  論文  参考訳（メタデータ） (2023-04-07T04:10:26Z)
• 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)
• HittER: Hierarchical Transformers for Knowledge Graph Embeddings [85.93509934018499]
  複雑な知識グラフにおける実体と関係の表現を学習するためにHittを提案する。 実験結果から,Hittは複数リンク予測において最先端の新たな結果が得られることがわかった。 さらに,HittをBERTに統合する簡単なアプローチを提案し,その効果を2つのFreebaseファクトイド対応データセットで示す。
  論文  参考訳（メタデータ） (2020-08-28T18:58:15Z)
• Few-shot Visual Reasoning with Meta-analogical Contrastive Learning [141.2562447971]
  本稿では,類似推論に頼って,数ショット(または低ショット)の視覚推論問題を解くことを提案する。 両領域の要素間の構造的関係を抽出し、類似学習と可能な限り類似するように強制する。 RAVENデータセット上での本手法の有効性を検証し, トレーニングデータが少ない場合, 最先端の手法より優れることを示す。
  論文  参考訳（メタデータ） (2020-07-23T14:00:34Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)
• Building and Interpreting Deep Similarity Models [0.0]
  そこで本稿では,入力機能の観点から説明することで類似性を解釈する手法を提案する。 我々は,2組の入力特徴に対して類似度スコアを系統的に分解する,スケーラブルで理論的に確立された手法であるBiLRPを開発した。
  論文  参考訳（メタデータ） (2020-03-11T17:46:55Z)

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。