論文の概要: CYCLE: Cross-Year Contrastive Learning in Entity-Linking

• arxiv url: http://arxiv.org/abs/2410.09127v1
• Date: Fri, 11 Oct 2024 09:41:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 16:13:24.698584
• Title: CYCLE: Cross-Year Contrastive Learning in Entity-Linking
• Title（参考訳）: CYCLE: エンティティリンクにおけるクロス年次コントラスト学習
• Authors: Pengyu Zhang, Congfeng Cao, Klim Zaporojets, Paul Groth,
• Abstract要約: textbfCYCLE: textbfCross-textbfYear textbfContrastive textbfLearning for textbfEntity-Linking textbfCYCLE: textbfCross-textbfYear textbfContrastive textbfLearning for textbfEntity-Linkingを紹介する。
• 参考スコア（独自算出の注目度）: 8.108904258003411
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graphs constantly evolve with new entities emerging, existing definitions being revised, and entity relationships changing. These changes lead to temporal degradation in entity linking models, characterized as a decline in model performance over time. To address this issue, we propose leveraging graph relationships to aggregate information from neighboring entities across different time periods. This approach enhances the ability to distinguish similar entities over time, thereby minimizing the impact of temporal degradation. We introduce \textbf{CYCLE}: \textbf{C}ross-\textbf{Y}ear \textbf{C}ontrastive \textbf{L}earning for \textbf{E}ntity-Linking. This model employs a novel graph contrastive learning method to tackle temporal performance degradation in entity linking tasks. Our contrastive learning method treats newly added graph relationships as \textit{positive} samples and newly removed ones as \textit{negative} samples. This approach helps our model effectively prevent temporal degradation, achieving a 13.90\% performance improvement over the state-of-the-art from 2023 when the time gap is one year, and a 17.79\% improvement as the gap expands to three years. Further analysis shows that CYCLE is particularly robust for low-degree entities, which are less resistant to temporal degradation due to their sparse connectivity, making them particularly suitable for our method. The code and data are made available at \url{https://github.com/pengyu-zhang/CYCLE-Cross-Year-Contrastive-Learning-in-Entity-Linking}.
• Abstract（参考訳）: 知識グラフは常に進化し、新しいエンティティが出現し、既存の定義が修正され、エンティティの関係が変化する。 これらの変化は、時間とともにモデルの性能が低下するのを特徴とするエンティティリンクモデルの時間的劣化につながる。 この問題に対処するために,各期間にまたがる近隣のエンティティからの情報を集約するために,グラフ関係を活用することを提案する。 このアプローチは、時間とともに類似したエンティティを識別する能力を高め、時間的劣化の影響を最小限にする。 本稿では, \textbf{C}ross-\textbf{Y}ear \textbf{C}ontrastive \textbf{L}earning for \textbf{E}ntity-Linkingを紹介する。 このモデルは、エンティティリンクタスクの時間的パフォーマンス劣化に対処するために、新しいグラフコントラスト学習法を用いる。 比較学習法では,新たに追加されたグラフ関係を \textit{ positive} サンプルとして扱い,新たに削除したグラフ関係を \textit{ negative} サンプルとして扱う。 提案手法は,時間差が1年である2023年以降の最先端技術よりも13.90 %の性能向上を実現し,ギャップが3年になるにつれて17.79 %の改善を実現し,時間劣化を効果的に防止する。 さらに分析した結果,CYCLEは低次エンティティに対して特に堅牢であり,低接続性のため時間劣化に対する耐性が低いため,本手法に特に適していることがわかった。 コードとデータは \url{https://github.com/pengyu-zhang/CYCLE-Cross-Contrastive-Yearning-in-Entity-Linking} で公開されている。

関連論文リスト

• TIGER: Temporally Improved Graph Entity Linker [6.111040278075022]
  textbfTIGER: textbfTemporally textbfImproved textbfGraph textbfEntity Linketextbfr。 textbfTIGER: textbfTemporally textbfImproved textbfGraph textbfEntity Linketextbfr。 我々は学習した表現を強化し、実体を作る
  論文  参考訳（メタデータ） (2024-10-11T09:44:33Z)
• Contrastive Learning Is Not Optimal for Quasiperiodic Time Series [4.2807943283312095]
  本稿では,ほぼ周期時間系列(DEAPS)の蒸留埋め込みについて紹介する。 DEAPSは、心電図(ECG)データなどの準周期時系列に適した非コントラスト法である。 機械学習(ML)モデルに適合するアノテートレコードがわずかに提示された場合,既存のSOTAメソッドよりも10%向上したことを示す。
  論文  参考訳（メタデータ） (2024-07-24T08:02:41Z)
• From Link Prediction to Forecasting: Information Loss in Batch-based Temporal Graph Learning [0.716879432974126]
  バッチ指向評価の適合性はデータセットの特性に依存することを示す。 我々は、動的リンク予測をリンク予測タスクとして再構成し、データに存在する時間情報のより良い説明を行う。
  論文  参考訳（メタデータ） (2024-06-07T12:45:12Z)
• Relation Rectification in Diffusion Model [64.84686527988809]
  本稿では,最初に生成できない関係を正確に表現するためにモデルを洗練することを目的とした,リレーション・リクティフィケーション(Relation Rectification)と呼ばれる新しいタスクを紹介する。 異種グラフ畳み込みネットワーク(HGCN)を利用した革新的な解を提案する。 軽量HGCNは、テキストエンコーダによって生成されたテキスト埋め込みを調整し、埋め込み空間におけるテキスト関係の正確な反映を保証する。
  論文  参考訳（メタデータ） (2024-03-29T15:54:36Z)
• TempEL: Linking Dynamically Evolving and Newly Emerging Entities [50.980331847622026]
  進化を続ける世界では、エンティティは時間とともに変化し、これまで存在していなかった、あるいは未知の、新しいエンティティが現れます。 本研究では,この進化シナリオが,十分に確立されたエンティティリンク(EL)タスクの性能に与える影響について検討する。 我々は,2013年から2022年までの英語ウィキペディアスナップショットからなるエンティティリンクデータセットであるTempELを紹介した。
  論文  参考訳（メタデータ） (2023-02-05T22:34:36Z)
• Learning of Visual Relations: The Devil is in the Tails [59.737494875502215]
  視覚的関係学習は、物体群に関する共同推論の性質から、長期にわたる問題である。 本稿では,悪が天国にあるという別の仮説を探求する。 この仮説の下では、モデルをシンプルに保ちながら、長い尾の分布に対処する能力を向上させることで、より良い性能が得られる。
  論文  参考訳（メタデータ） (2021-08-22T08:59:35Z)
• Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
  実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。 本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
  論文  参考訳（メタデータ） (2021-08-16T04:20:09Z)
• Dynamic Hybrid Relation Network for Cross-Domain Context-Dependent Semantic Parsing [52.24507547010127]
  ドメイン間コンテキスト依存のセマンティック解析は研究の新たな焦点である。 本稿では,コンテキストの発話,トークン,データベーススキーマ,会話の進行に伴う複雑なインタラクションを効果的にモデル化する動的グラフフレームワークを提案する。 提案したフレームワークは既存のモデルを大きなマージンで上回り、2つの大規模ベンチマークで新しい最先端性能を達成する。
  論文  参考訳（メタデータ） (2021-01-05T18:11:29Z)
• One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
  時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。 提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。 実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
  論文  参考訳（メタデータ） (2020-10-23T03:24:44Z)

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。