論文の概要: Generating Explanations to Understand and Repair Embedding-based Entity
Alignment
- arxiv url: http://arxiv.org/abs/2312.04877v2
- Date: Tue, 19 Dec 2023 08:58:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 22:04:30.791820
- Title: Generating Explanations to Understand and Repair Embedding-based Entity
Alignment
- Title(参考訳): 埋め込みに基づくエンティティアライメントの理解と修復のための説明の生成
- Authors: Xiaobin Tian and Zequn Sun and Wei Hu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 17.542335232599473
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Entity alignment (EA) seeks identical entities in different knowledge graphs,
which is a long-standing task in the database research. Recent work leverages
deep learning to embed entities in vector space and align them via nearest
neighbor search. Although embedding-based EA has gained marked success in
recent years, it lacks explanations for alignment decisions. In this paper, we
present the first framework that can generate explanations for understanding
and repairing embedding-based EA results. Given an EA pair produced by an
embedding model, we first compare its neighbor entities and relations to build
a matching subgraph as a local explanation. We then construct an alignment
dependency graph to understand the pair from an abstract perspective. Finally,
we repair the pair by resolving three types of alignment conflicts based on
dependency graphs. Experiments on a variety of EA datasets demonstrate the
effectiveness, generalization, and robustness of our framework in explaining
and repairing embedding-based EA results.
- Abstract(参考訳): エンティティアライメント(EA)は、データベース研究における長年の課題である異なる知識グラフで同一のエンティティを求める。
最近の研究は、ディープラーニングを利用してベクトル空間にエンティティを埋め込み、近隣の探索によってそれらを整列させる。
近年、組み込みベースのEAは大きな成功を収めていますが、アライメントの決定に関する説明はありません。
本稿では,埋め込み型EA結果の理解と修復を行うための,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、まずその近傍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、抽象的な観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。
最後に,依存性グラフに基づく3種類のアライメント競合を解決することで,ペアを修復する。
各種EAデータセットの実験は、埋め込み型EA結果の説明と修復におけるフレームワークの有効性、一般化、堅牢性を示している。
関連論文リスト
- ASGEA: Exploiting Logic Rules from Align-Subgraphs for Entity Alignment [15.527373618633847]
本稿では,Align-Subgraph Entity Alignment(ASGEA)フレームワークを提案する。
また、解釈可能なパスベースのグラフニューラルネットワークASGNNを設計し、KG間の論理規則を効果的に識別し、統合する。
実験の結果,既存の組込み方式に比べて,MMEA(Multi-Modal EA)タスクにおけるASGEAの優れた性能が示された。
論文 参考訳(メタデータ) (2024-02-16T17:03:05Z) - What Makes Entities Similar? A Similarity Flooding Perspective for
Multi-sourced Knowledge Graph Embeddings [20.100378168629195]
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。
論文 参考訳(メタデータ) (2023-06-05T06:50:09Z) - 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) - 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) - Large-scale Entity Alignment via Knowledge Graph Merging, Partitioning
and Embedding [29.81122170002021]
本稿では,3つの視点から構造とアライメント損失を低減するため,スケーラブルなGNNベースのエンティティアライメント手法を提案する。
まず,中心性に基づく部分グラフ生成アルゴリズムを提案し,異なる部分グラフ間のブリッジとして機能するいくつかのランドマークエンティティをリコールする。
第二に、不完全近傍部分グラフから実体表現を復元する自己教師型実体再構成を導入する。
第三に、推論過程において、サブグラフの埋め込みをマージして、アライメント探索のための単一の空間を作る。
論文 参考訳(メタデータ) (2022-08-23T07:09:59Z) - Entailment Tree Explanations via Iterative Retrieval-Generation Reasoner [56.08919422452905]
我々はIRGR(Iterative Retrieval-Generation Reasoner)と呼ばれるアーキテクチャを提案する。
本モデルでは,テキストの前提からステップバイステップの説明を体系的に生成することにより,与えられた仮説を説明することができる。
前提条件の検索と細分化木の生成に関する既存のベンチマークを上回り、全体の正しさはおよそ300%向上した。
論文 参考訳(メタデータ) (2022-05-18T21:52:11Z) - Entity Alignment For Knowledge Graphs: Progress, Challenges, and
Empirical Studies [4.221619479687067]
エンティティアライメント(EA)は、同じエンティティを参照するデータベースをまたいだエンティティを識別する。
EAメソッドはエンティティを低次元空間にマッピングし、それらの類似性に基づいてそれらを調整する。
本稿では,既存のEA手法を包括的に分析し,その応用と限界について検討する。
論文 参考訳(メタデータ) (2022-05-18T07:59:03Z) - ConE: Cone Embeddings for Multi-Hop Reasoning over Knowledge Graphs [73.86041481470261]
Cone Embeddings (ConE) は、接続、解離、否定を扱える最初の幾何学ベースのクエリ埋め込みモデルである。
ConEは、ベンチマークデータセットの既存の最先端メソッドを大幅に上回る。
論文 参考訳(メタデータ) (2021-10-26T14:04:02Z) - 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) - Robust Question Answering Through Sub-part Alignment [53.94003466761305]
我々はアライメント問題として質問応答をモデル化する。
私たちは、SQuAD v1.1でモデルをトレーニングし、いくつかの逆および外ドメインデータセットでそれをテストします。
論文 参考訳(メタデータ) (2020-04-30T09:10:57Z)
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。