Fugu-MT 論文翻訳(概要): GraphMatcher: A Graph Representation Learning Approach for Ontology Matching

論文の概要: GraphMatcher: A Graph Representation Learning Approach for Ontology Matching

arxiv url: http://arxiv.org/abs/2404.14450v1
Date: Sat, 20 Apr 2024 18:30:17 GMT
ステータス: 処理完了
システム内更新日: 2024-04-24 18:17:13.698531
Title: GraphMatcher: A Graph Representation Learning Approach for Ontology Matching
Title（参考訳）: GraphMatcher: オントロジーマッチングのためのグラフ表現学習アプローチ
Authors: Sefika Efeoglu,
Abstract要約: オントロジーマッチングは、2つ以上のエンティティ間の関係や対応を見つけるものとして定義される。 GraphMatcherはグラフアテンションアプローチであり、その周辺用語とともに高レベルの表現を計算する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Ontology matching is defined as finding a relationship or correspondence between two or more entities in two or more ontologies. To solve the interoperability problem of the domain ontologies, semantically similar entities in these ontologies must be found and aligned before merging them. GraphMatcher, developed in this study, is an ontology matching system using a graph attention approach to compute higher-level representation of a class together with its surrounding terms. The GraphMatcher has obtained remarkable results in in the Ontology Alignment Evaluation Initiative (OAEI) 2022 conference track. Its codes are available at ~\url{https://github.com/sefeoglu/gat_ontology_matching}.
Abstract（参考訳）: オントロジーマッチングは、2つ以上のオントロジーにおいて2つ以上のエンティティ間の関係や対応を見つけるものとして定義される。ドメインオントロジーの相互運用性問題を解決するためには、これらのオントロジーにおける意味論的に類似したエンティティを見つけ、マージする前にアライメントする必要がある。本研究で開発されたGraphMatcherは,グラフアテンションを用いたオントロジーマッチングシステムである。 GraphMatcherは、オントロジーアライメント評価イニシアチブ (OAEI) 2022 のカンファレンストラックで顕著な結果を得た。そのコードは ~\url{https://github.com/sefeoglu/gat_ontology_matching} で公開されている。

関連論文リスト

RAGFormer: Learning Semantic Attributes and Topological Structure for Fraud Detection [8.050935113945428]
本稿では,transFormer(RAGFormer)を用いたRelation-Aware GNNという新しいフレームワークを提案する。 RAGFormerはセマンティック機能とトポロジ機能の両方をターゲットノードに埋め込む。単純なネットワークはセマンティックエンコーダ、トポロジーエンコーダ、アテンション融合モジュールで構成される。
論文参考訳（メタデータ） (2024-02-27T12:53:15Z)
Learning Universe Model for Partial Matching Networks over Multiple Graphs [78.85255014094223]
2つまたは複数のグラフの部分的マッチングのための宇宙マッチングスキームを開発する。不整合及び不整合検出のための微妙なロジックを、明確にモデル化することができる。これは、2グラフマッチング、複数グラフマッチング、オンラインマッチング、混合グラフマッチングを同時に扱うことができる最初のディープラーニングネットワークである。
論文参考訳（メタデータ） (2022-10-19T08:34:00Z)
Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
論文参考訳（メタデータ） (2022-06-11T04:05:29Z)
CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
論文参考訳（メタデータ） (2022-05-30T13:20:26Z)
Ontology Matching Through Absolute Orientation of Embedding Spaces [1.5169370091868053]
Ontologyは、インターオペラビリティとリンクされたオープンデータセットを作成する際の中核的なタスクである。本稿では,知識グラフの埋め込みに基づく構造に基づくマッピング手法を提案する。合成データを用いた実験では、このアプローチが同様に構造化されたデータセットで非常にうまく機能することがわかった。
論文参考訳（メタデータ） (2022-04-08T12:59:31Z)
Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文参考訳（メタデータ） (2021-09-01T08:24:02Z)
Persistence Homology for Link Prediction: An Interactive View [15.068319518015421]
リンク予測は、グラフ構造データにとって重要な学習タスクです。 2つのノード間の相互作用を特徴付ける新しいトポロジカルアプローチを提案する。また、異なるベンチマークで最新技術を上回るグラフニューラルネットワーク手法を提案する。
論文参考訳（メタデータ） (2021-02-20T04:33:59Z)
Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文参考訳（メタデータ） (2020-10-20T05:54:31Z)
Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
論文参考訳（メタデータ） (2020-02-17T03:33:41Z)

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。