論文の概要: ASGEA: Exploiting Logic Rules from Align-Subgraphs for Entity Alignment
- arxiv url: http://arxiv.org/abs/2402.11000v2
- Date: Tue, 5 Mar 2024 13:57:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 00:10:34.649221
- Title: ASGEA: Exploiting Logic Rules from Align-Subgraphs for Entity Alignment
- Title(参考訳): ASGEA: エンティティアライメントのためのAlign-Subgraphsからのロジックルールのエクスプロイト
- Authors: Yangyifei Luo, Zhuo Chen, Lingbing Guo, Qian Li, Wenxuan Zeng, Zhixin
Cai, Jianxin Li
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 15.527373618633847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Entity alignment (EA) aims to identify entities across different knowledge
graphs that represent the same real-world objects. Recent embedding-based EA
methods have achieved state-of-the-art performance in EA yet faced
interpretability challenges as they purely rely on the embedding distance and
neglect the logic rules behind a pair of aligned entities. In this paper, we
propose the Align-Subgraph Entity Alignment (ASGEA) framework to exploit logic
rules from Align-Subgraphs. ASGEA uses anchor links as bridges to construct
Align-Subgraphs and spreads along the paths across KGs, which distinguishes it
from the embedding-based methods. Furthermore, we design an interpretable
Path-based Graph Neural Network, ASGNN, to effectively identify and integrate
the logic rules across KGs. We also introduce a node-level multi-modal
attention mechanism coupled with multi-modal enriched anchors to augment the
Align-Subgraph. Our experimental results demonstrate the superior performance
of ASGEA over the existing embedding-based methods in both EA and Multi-Modal
EA (MMEA) tasks.
- Abstract(参考訳): エンティティアライメント(EA)は、同じ現実世界のオブジェクトを表す異なる知識グラフにまたがるエンティティを識別することを目的としている。
最近の埋め込みベースのEAメソッドは、EAで最先端のパフォーマンスを達成したが、純粋に埋め込み距離に依存し、一対の整列したエンティティの背後にあるロジックルールを無視しているため、解釈可能性の問題に直面した。
本稿では,アライメント・サブグラフから論理ルールを利用するためのアライメント・サブグラフ・エンティティアライメント(asgea)フレームワークを提案する。
ASGEAは橋としてアンカーリンクを使用し、Align-Subgraphを構築し、KGにまたがる経路に沿って展開する。
さらに,解釈可能なパスベース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。
また,ノードレベルのマルチモーダルアテンション機構とマルチモーダルアンカーを組み合わせることで,Align-Subgraphの拡張を行う。
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。
関連論文リスト
- Generating Explanations to Understand and Repair Embedding-based Entity
Alignment [17.542335232599473]
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) - Network Alignment with Transferable Graph Autoencoders [87.28177782039265]
本稿では,強力で堅牢なノード埋め込みを抽出するグラフオートエンコーダアーキテクチャを提案する。
生成した埋め込みがグラフの固有値と固有ベクトルと結びついていることを証明する。
提案フレームワークは転送学習とデータ拡張を利用して,大規模なネットワークアライメントを実現する。
論文 参考訳(メタデータ) (2023-10-05T02:58:29Z) - ALEX: Towards Effective Graph Transfer Learning with Noisy Labels [11.115297917940829]
本稿では,グラフ伝達学習の課題に対処するため,バランスアライメントと情報認識試験(ALEX)と呼ばれる新しい手法を提案する。
ALEXはまず特異値分解を使用して、重要な構造的意味論を持つ異なるビューを生成し、堅牢なノード表現を提供する。
この基礎の上に構築され、複雑なマルチモーダル分布の暗黙的な領域アライメントのために、対向領域判別器が組み込まれている。
論文 参考訳(メタデータ) (2023-09-26T04:59:49Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳(メタデータ) (2023-07-28T00:44:57Z) - Histopathology Whole Slide Image Analysis with Heterogeneous Graph
Representation Learning [78.49090351193269]
本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。
具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。
我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
論文 参考訳(メタデータ) (2023-07-09T14:43:40Z) - 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) - Heterophily-Aware Graph Attention Network [58.99478502486377]
グラフニューラルネットワーク(GNN)はグラフ表現学習において顕著な成功を収めている。
既存のヘテロフィル性GNNは、各エッジのヘテロフィリのモデリングを無視する傾向にあり、これはヘテロフィリ問題に取り組む上でも不可欠である。
本稿では,局所分布を基礎となるヘテロフィリーとして完全に探索し,活用することで,新たなヘテロフィア対応グラフ注意ネットワーク(HA-GAT)を提案する。
論文 参考訳(メタデータ) (2023-02-07T03:21:55Z) - 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) - OntoEA: Ontology-guided Entity Alignment via Joint Knowledge Graph
Embedding [22.47525303095817]
OntoEAというオントロジー誘導エンティティアライメント手法を提案する。
7つの公開および産業ベンチマークの実験は、OntoEAの最先端のパフォーマンスを実証した。
論文 参考訳(メタデータ) (2021-05-17T09:18:56Z) - 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) - AlignSeg: Feature-Aligned Segmentation Networks [109.94809725745499]
本稿では,機能集約プロセスにおける誤アライメント問題に対処するために,特徴適応型ネットワーク(AlignSeg)を提案する。
我々のネットワークは、それぞれ82.6%と45.95%という新しい最先端のmIoUスコアを達成している。
論文 参考訳(メタデータ) (2020-02-24T10:00:58Z)
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。