論文の概要: Understanding and Guiding Weakly Supervised Entity Alignment with Potential Isomorphism Propagation

• arxiv url: http://arxiv.org/abs/2402.03025v2
• Date: Sat, 12 Oct 2024 16:28:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-15 17:54:31.122357
• Title: Understanding and Guiding Weakly Supervised Entity Alignment with Potential Isomorphism Propagation
• Title（参考訳）: ポテンシャル同型プロパゲーションを用いた弱教師付きエンティティアライメントの理解と誘導
• Authors: Yuanyi Wang, Wei Tang, Haifeng Sun, Zirui Zhuang, Xiaoyuan Fu, Jingyu Wang, Qi Qi, Jianxin Liao,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 31.558938631213074
• License:
• Abstract: Weakly Supervised Entity Alignment (EA) is the task of identifying equivalent entities across diverse knowledge graphs (KGs) using only a limited number of seed alignments. Despite substantial advances in aggregation-based weakly supervised EA, the underlying mechanisms in this setting remain unexplored. In this paper, we present a propagation perspective to analyze weakly supervised EA and explain the existing aggregation-based EA models. Our theoretical analysis reveals that these models essentially seek propagation operators for pairwise entity similarities. We further prove that, despite the structural heterogeneity of different KGs, the potentially aligned entities within aggregation-based EA models have isomorphic subgraphs, which is the core premise of EA but has not been investigated. Leveraging this insight, we introduce a potential isomorphism propagation operator to enhance the propagation of neighborhood information across KGs. We develop a general EA framework, PipEA, incorporating this operator to improve the accuracy of every type of aggregation-based model without altering the learning process. Extensive experiments substantiate our theoretical findings and demonstrate PipEA's significant performance gains over state-of-the-art weakly supervised EA methods. Our work not only advances the field but also enhances our comprehension of aggregation-based weakly supervised EA.
• Abstract（参考訳）: 弱監視エンティティアライメント(Weakly Supervised Entity Alignment, EA)は、限られた数のシードアライメントのみを使用して、多様な知識グラフ(KG)にまたがる同等のエンティティを識別するタスクである。 集約ベースの弱監督型EAの大幅な進歩にもかかわらず、この設定の根底にあるメカニズムは未解明のままである。 本稿では,弱教師付きEAを解析し,既存の集約型EAモデルを説明するための伝搬的視点を提案する。 理論的解析により、これらのモデルが本質的にはペアの実体類似性に対する伝播作用素を求めることが明らかとなった。 さらに、異なるKGの構造的不均一性にもかかわらず、アグリゲーションベースのEAモデル内の潜在的に整列したエンティティは、EAの中核前提である同型部分グラフを持つが、研究されていないことを証明した。 この知見を生かして、KG間の近傍情報の伝播を促進するため、ポテンシャル同型伝播演算子を導入する。 我々は、学習プロセスを変更することなく、あらゆる種類の集約モデルにおける精度を向上させるために、この演算子を組み込んだ一般的なEAフレームワーク、PipEAを開発した。 広範囲にわたる実験は、我々の理論的な知見を裏付け、PipEAが最先端の弱教師付きEA法よりも顕著な性能向上を実証している。 我々の研究は、分野を前進させるだけでなく、集約ベースの弱監督型EAの理解を深めます。

関連論文リスト

• Diversifying the Mixture-of-Experts Representation for Language Models with Orthogonal Optimizer [59.43462055143123]
  The Mixture of Experts (MoE)は、ディープラーニングにおいて非常に成功したテクニックとして登場した。 本研究では,MoEの専門家が多様性の専門化や欠如に失敗した同質表現問題に光を当てた。 我々は,各専門家が他の専門家に分散された部分空間への方向を更新するように促す訓練戦略を交互に提案する。
  論文  参考訳（メタデータ） (2023-10-15T07:20:28Z)
• 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)
• 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)
• 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)
• Be Your Own Neighborhood: Detecting Adversarial Example by the Neighborhood Relations Built on Self-Supervised Learning [64.78972193105443]
  本稿では,予測に有効な新しいAE検出フレームワークを提案する。 AEの異常な関係と拡張バージョンを区別して検出を行う。 表現を抽出し、ラベルを予測するために、既製の自己監視学習(SSL)モデルが使用される。
  論文  参考訳（メタデータ） (2022-08-31T08:18:44Z)
• ICLEA: Interactive Contrastive Learning for Self-supervised Entity Alignment [27.449414854756913]
  自己管理エンティティアライメント(EA)は、シードアライメントなしで異なる知識グラフ(KG)に等価なエンティティをリンクすることを目的としている。 現在のSOTA自己監督型EA法は、もともとコンピュータビジョンで設計されたコントラスト学習からインスピレーションを得ている。 自己管理型EAのための対話型コントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-01-17T06:04:00Z)
• Multi-task Learning of Order-Consistent Causal Graphs [59.9575145128345]
  我々は、$K関連ガウス非巡回グラフ(DAG)の発見問題を考える。 マルチタスク学習環境下では, 線形構造方程式モデルを学習するためのMLE ($l_1/l$-regularized maximum chance estimator) を提案する。 理論的には、関係するタスクにまたがるデータを活用することで、因果順序を復元する際のサンプルの複雑さをより高めることができることを示す。
  論文  参考訳（メタデータ） (2021-11-03T22:10:18Z)
• GroupifyVAE: from Group-based Definition to VAE-based Unsupervised Representation Disentanglement [91.9003001845855]
  他の誘導バイアスを導入しないと、VAEベースの非監視的非絡み合いは実現できない。 グループ理論に基づく定義から導かれる制約を非確率的帰納的バイアスとして活用し,vaeに基づく教師なし不連続に対処する。 提案手法の有効性を検証するために,5つのデータセット上で,vaeベースモデルが最も目立つ1800モデルをトレーニングした。
  論文  参考訳（メタデータ） (2021-02-20T09:49:51Z)
• Generalization Properties of Optimal Transport GANs with Latent Distribution Learning [52.25145141639159]
  本研究では,潜伏分布とプッシュフォワードマップの複雑さの相互作用が性能に与える影響について検討する。 我々の分析に感銘を受けて、我々はGANパラダイム内での潜伏分布とプッシュフォワードマップの学習を提唱した。
  論文  参考訳（メタデータ） (2020-07-29T07:31:33Z)
• Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
  画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。 本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。 本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-13T18:05:36Z)
• Degree-Aware Alignment for Entities in Tail [11.153455121529236]
  我々は、エンティティアライメント(EA)のための新しいフレームワークを提案する。 我々は、2つの異なる情報ソースを効果的に融合させる重要なガイダンスとして、エンティティの学位を識別する。 ポストアライメントでは、信頼できるEA結果をアンカーとして利用することで、元のKGと相手の事実を補完することを提案する。
  論文  参考訳（メタデータ） (2020-05-25T14:15:49Z)

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。