論文の概要: Beyond Entity Alignment: Towards Complete Knowledge Graph Alignment via Entity-Relation Synergy

• arxiv url: http://arxiv.org/abs/2407.17745v1
• Date: Thu, 25 Jul 2024 03:40:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-26 15:17:52.239914
• Title: Beyond Entity Alignment: Towards Complete Knowledge Graph Alignment via Entity-Relation Synergy
• Title（参考訳）: エンティティアライメントを超えて:Entity-Relation Synergyによる完全な知識グラフアライメントを目指す
• Authors: Xiaohan Fang, Chaozhuo Li, Yi Zhao, Qian Zang, Litian Zhang, Jiquan Peng, Xi Zhang, Jibing Gong,
• Abstract要約: 知識グラフアライメントは、個々の知識グラフの制限に対処するために、複数のソースからの知識を統合することを目的としている。 既存のモデルは、主にクロスグラフエンティティのリンクを強調するが、KG間の関係の整合性を見落としている。 本稿では,2つのサブタスクを反復的に最適化する新しい予測最大化モデルEREMを提案する。
• 参考スコア（独自算出の注目度）: 14.459419325027612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graph Alignment (KGA) aims to integrate knowledge from multiple sources to address the limitations of individual Knowledge Graphs (KGs) in terms of coverage and depth. However, current KGA models fall short in achieving a ``complete'' knowledge graph alignment. Existing models primarily emphasize the linkage of cross-graph entities but overlook aligning relations across KGs, thereby providing only a partial solution to KGA. The semantic correlations embedded in relations are largely overlooked, potentially restricting a comprehensive understanding of cross-KG signals. In this paper, we propose to conceptualize relation alignment as an independent task and conduct KGA by decomposing it into two distinct but highly correlated sub-tasks: entity alignment and relation alignment. To capture the mutually reinforcing correlations between these objectives, we propose a novel Expectation-Maximization-based model, EREM, which iteratively optimizes both sub-tasks. Experimental results on real-world datasets demonstrate that EREM consistently outperforms state-of-the-art models in both entity alignment and relation alignment tasks.
• Abstract（参考訳）: 知識グラフアライメント(KGA)は、個々の知識グラフ(KG)の限界に対応するために複数の情報源からの知識を統合することを目的としている。 しかし、現在のKGAモデルは '`complete'' 知識グラフアライメントを達成するには不十分である。 既存のモデルは、主にクロスグラフエンティティの連結を強調するが、KG間の整合性を見落とし、KGAへの部分解のみを提供する。 関係に埋め込まれた意味的相関は概ね見過ごされ、KG信号の包括的理解を制限する可能性がある。 本稿では,関係アライメントを独立したタスクとして概念化し,それを2つの異なる,高相関なサブタスク,すなわちエンティティアライメントと関係アライメントに分解することでKGAを実行することを提案する。 これらの目的間の相互強化相関を捉えるために,両タスクを反復的に最適化する新しい期待最大化モデルEREMを提案する。 実世界のデータセットによる実験結果から、EREMはエンティティアライメントと関係アライメントタスクの両方において、最先端モデルよりも一貫して優れていることが示された。

関連論文リスト

• A Relation-Interactive Approach for Message Passing in Hyper-relational Knowledge Graphs [0.0]
  本稿では,ReSaEと呼ばれるグローバルな関係構造認識能力を備えたメッセージパス方式のグラフエンコーダを提案する。 実験により、ReSaEは複数のリンク予測ベンチマークで最先端の性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-02-23T06:55:04Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• Knowledge Graph Completion with Counterfactual Augmentation [23.20561746976504]
  我々は,「実体の近傍が観察と異なるものになったら,その関係は存在するのか?」という反事実的疑問を提起する。 知識グラフ上の因果モデルを慎重に設計し,その疑問に答える反事実関係を生成する。 我々は、KGs上のGNNベースのフレームワークと作成した対物関係を組み込んで、エンティティペア表現の学習を増強する。
  論文  参考訳（メタデータ） (2023-02-25T14:08:15Z)
• ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
  ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。 我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
  論文  参考訳（メタデータ） (2022-06-08T23:34:39Z)
• Tackling the Challenges in Scene Graph Generation with Local-to-Global Interactions [4.726777092009554]
  SGG(Scene Graph Generation)タスクの根底にある課題に対する新たな洞察を求めている。 この分析に触発され、我々は新しいSGGフレームワークLOGIN(LoGIN)を設計した。 本フレームワークは,シーングラフを設計により局所的・言語的に予測し,相補性を生かした。
  論文  参考訳（メタデータ） (2021-06-16T03:58:21Z)
• Link Prediction on N-ary Relational Facts: A Graph-based Approach [18.01071110085996]
  知識グラフ(KG)のリンク予測は重要な研究トピックである。 本稿では,n-項関係の事実に対するリンク予測を考察し,この課題に対するグラフベースアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-18T12:40:35Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
  本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。 二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。 理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
  論文  参考訳（メタデータ） (2021-01-25T13:31:29Z)
• Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
  本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
  論文  参考訳（メタデータ） (2020-08-04T08:25:24Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。