論文の概要: An Effective and Efficient Time-aware Entity Alignment Framework via Two-aspect Three-view Label Propagation

• arxiv url: http://arxiv.org/abs/2307.06013v1
• Date: Wed, 12 Jul 2023 08:51:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-13 13:38:13.228434
• Title: An Effective and Efficient Time-aware Entity Alignment Framework via Two-aspect Three-view Label Propagation
• Title（参考訳）: 2視点3ビューラベル伝搬による実効的で効率的なエンティティアライメントフレームワーク
• Authors: Li Cai, Xin Mao, Youshao Xiao, Changxu Wu, Man Lan
• Abstract要約: エンティティアライメント(EA)は、異なる知識グラフ(KG)間の等価なエンティティペアを見つけることを目的としている。 本稿では,TKG,すなわちLightTEA間の効率よく効率的な非神経EAフレームワークを提案する。 提案手法は,TKG間でEAのSOTA法を著しく上回り,LightTEAが消費する時間は最大で数十秒に過ぎなかった。
• 参考スコア（独自算出の注目度）: 8.87467135480257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Entity alignment (EA) aims to find the equivalent entity pairs between different knowledge graphs (KGs), which is crucial to promote knowledge fusion. With the wide use of temporal knowledge graphs (TKGs), time-aware EA (TEA) methods appear to enhance EA. Existing TEA models are based on Graph Neural Networks (GNN) and achieve state-of-the-art (SOTA) performance, but it is difficult to transfer them to large-scale TKGs due to the scalability issue of GNN. In this paper, we propose an effective and efficient non-neural EA framework between TKGs, namely LightTEA, which consists of four essential components: (1) Two-aspect Three-view Label Propagation, (2) Sparse Similarity with Temporal Constraints, (3) Sinkhorn Operator, and (4) Temporal Iterative Learning. All of these modules work together to improve the performance of EA while reducing the time consumption of the model. Extensive experiments on public datasets indicate that our proposed model significantly outperforms the SOTA methods for EA between TKGs, and the time consumed by LightTEA is only dozens of seconds at most, no more than 10% of the most efficient TEA method.
• Abstract（参考訳）: エンティティアライメント(EA)は、知識融合を促進するために不可欠である異なる知識グラフ(KG)間の等価なエンティティペアを見つけることを目的としている。 時間的知識グラフ(TKG)の多用により、時間を考慮したEA(TEA)手法はEAを増強すると考えられる。 既存のTEAモデルは、グラフニューラルネットワーク(GNN)をベースとして、最先端(SOTA)のパフォーマンスを実現するが、GNNのスケーラビリティの問題により、大規模なTKGに移行することは困難である。 本稿では,TKG間の効果的かつ効率的な非神経EAフレームワークであるLightTEAを提案する。これは,(1)2視点3視点ラベル伝搬,(2)時間制約との疎類似性,(3)シンクホーン演算子,(4)時間反復学習の4つの必須成分からなる。 これらのモジュールはすべて協調してeaのパフォーマンスを改善し、モデルの時間消費を削減します。 公開データセットに対する大規模な実験により,提案手法はTKG間でのEAのSOTA法を著しく上回り,LightTEAが消費する時間は最大で数十秒に過ぎず,最も効率的なTAA法の10%に満たないことがわかった。

関連論文リスト

• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• S^2Former-OR: Single-Stage Bi-Modal Transformer for Scene Graph Generation in OR [50.435592120607815]
  外科手術のシーングラフ生成(SGG)は、手術室(OR)におけるホモロジー認知知能の増強に不可欠である これまでの研究は主に多段階学習に依存しており、生成したセマンティックシーングラフはポーズ推定とオブジェクト検出を伴う中間プロセスに依存している。 本研究では,S2Former-OR(S2Former-OR)と呼ばれるORにおけるSGGのための新しいシングルステージバイモーダルトランスフォーマフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-22T11:40:49Z)
• Unsupervised Entity Alignment for Temporal Knowledge Graphs [24.830107011195302]
  エンティティアライメントのための時間的および関係的な情報を融合するDualMatchを提案する。 時間的情報を効果的に取得できるため、TKG上でEAを実行することができる。 3つの実世界のTKGデータセットの実験は、DualMatchがH@1の2.4%から10.7%で最先端の手法より優れているという洞察を与える。
  論文  参考訳（メタデータ） (2023-02-01T23:03:22Z)
• Guiding Neural Entity Alignment with Compatibility [32.22210683891481]
  1つの知識グラフ内の異なるエンティティは、他のKGと互換性のあるエンティティを持つべきだ、と我々は主張する。 互換性のある予測を行うことは、ラベル付きデータの適合とともに、EAモデルをトレーニングする目標の1つであるべきです。 我々は,(1)EAモデルの適合度を測定する方法,(2)EAモデルに互換性のある特性を注入する方法,(3)互換性モデルのパラメータを最適化する方法の3つの問題に対処して,トレーニングフレームワークを考案した。
  論文  参考訳（メタデータ） (2022-11-29T00:05:08Z)
• LightEA: A Scalable, Robust, and Interpretable Entity Alignment Framework via Three-view Label Propagation [27.483109233276632]
  既存のGNNベースのEAメソッドは、ニューラルネットワークの系統から生まれてくる欠陥を継承している、と我々は主張する。 我々は,(i)ランダム直交ラベル生成,(ii)3ビューラベル伝搬,(iii)スパースシンクホーンイテレーションという3つの効率的なコンポーネントからなる非神経EAフレームワーク-LightEAを提案する。 公開データセットに関する広範な実験によると、LightEAは印象的なスケーラビリティ、堅牢性、解釈可能性を持っている。
  論文  参考訳（メタデータ） (2022-10-19T10:07:08Z)
• Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
  Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。 計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。 また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-23T06:24:31Z)
• Self-Promoted Supervision for Few-Shot Transformer [178.52948452353834]
  SUN(Self-promoted sUpervisioN)は視覚変換器(ViT)のための数発の学習フレームワークである SUNは、数ショットの学習データセットでViTを事前トレーニングし、各パッチトークンを導くために、個別のロケーション固有の監視を生成する。 実験によると、ViTを使ったSUNは、ViTを使った他の数発の学習フレームワークを大幅に上回っており、CNNの最先端技術よりも高いパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-03-14T12:53:27Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• A Simple But Powerful Graph Encoder for Temporal Knowledge Graph Completion [13.047205680129094]
  時間知識グラフ(TKG)のための単純だが強力なグラフエンコーダTARGCNを提案する。 我々のモデルは,最先端モデルと比較して,GDELTデータセットに対して42%以上の相対的な改善を達成できる。 ICEWS05-15データセットでは18.5%のパラメータで最強のベースラインを上回っている。
  論文  参考訳（メタデータ） (2021-12-14T23:30:42Z)
• Are Negative Samples Necessary in Entity Alignment? An Approach with High Performance, Scalability and Robustness [26.04006507181558]
  本稿では,高パフォーマンス,高スケーラビリティ,高ロバスト性を実現する3つの新しいコンポーネントを持つ新しいEA手法を提案する。 提案手法の有効性と有効性を検討するために,いくつかの公開データセットについて詳細な実験を行った。
  論文  参考訳（メタデータ） (2021-08-11T15:20:41Z)
• How Knowledge Graph and Attention Help? A Quantitative Analysis into Bag-level Relation Extraction [66.09605613944201]
  バッグレベルの関係抽出(RE)における注意と知識グラフの効果を定量的に評価する。 その結果,(1)注目精度の向上は,エンティティ参照特徴を抽出するモデルの性能を損なう可能性があること,(2)注目性能は様々なノイズ分布パターンの影響が大きいこと,(3)KG強化された注目はRE性能を向上するが,その効果は注目度を向上させるだけでなく,先行するエンティティを組み込むことによっても改善することがわかった。
  論文  参考訳（メタデータ） (2021-07-26T09:38:28Z)

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。