論文の概要: Unsupervised Entity Alignment Based on Personalized Discriminative Rooted Tree
- arxiv url: http://arxiv.org/abs/2502.10044v1
- Date: Fri, 14 Feb 2025 09:45:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-17 14:46:16.333389
- Title: Unsupervised Entity Alignment Based on Personalized Discriminative Rooted Tree
- Title（参考訳）: パーソナライズされた識別根木に基づく教師なしエンティティアライメント
- Authors: Yaming Yang, Zhe Wang, Ziyu Guan, Wei Zhao, Xinyan Huang, Xiaofei He,
- Abstract要約: 上記の2つの問題に対処するため、UNEAと呼ばれる新しい非教師なしのエンティティアライメント手法を提案する。
我々のUNEAは、監督されていないEAタスクの新たな最先端を実現し、既存の管理されたEAベースラインを上回ります。
- 参考スコア（独自算出の注目度）: 18.939571825594633
- License:
- Abstract: Entity Alignment (EA) is to link potential equivalent entities across different knowledge graphs (KGs). Most existing EA methods are supervised as they require the supervision of seed alignments, i.e., manually specified aligned entity pairs. Very recently, several EA studies have made some attempts to get rid of seed alignments. Despite achieving preliminary progress, they still suffer two limitations: (1) The entity embeddings produced by their GNN-like encoders lack personalization since some of the aggregation subpaths are shared between different entities. (2) They cannot fully alleviate the distribution distortion issue between candidate KGs due to the absence of the supervised signal. In this work, we propose a novel unsupervised entity alignment approach called UNEA to address the above two issues. First, we parametrically sample a tree neighborhood rooted at each entity, and accordingly develop a tree attention aggregation mechanism to extract a personalized embedding for each entity. Second, we introduce an auxiliary task of maximizing the mutual information between the input and the output of the KG encoder, to regularize the model and prevent the distribution distortion. Extensive experiments show that our UNEA achieves a new state-of-the-art for the unsupervised EA task, and can even outperform many existing supervised EA baselines.
- Abstract（参考訳）: エンティティアライメント(エンティティアライメント、Entity Alignment、EA)とは、異なる知識グラフ(KG)をまたいで、潜在的に等価なエンティティをリンクすることである。
既存のEAメソッドの多くは、種子アライメントの監督を必要とするため、手動で指定されたアライメント・アライメント・ペアを必要とするため、監督されている。
最近、いくつかのEAの研究が種子のアライメントを除去しようと試みている。
1) GNNライクなエンコーダによって生成されたエンティティ埋め込みは、いくつかのアグリゲーションサブパスが異なるエンティティ間で共有されているため、パーソナライズを欠いている。
2) 教師信号の欠如により, 候補KG間の分布歪み問題を完全に緩和することはできない。
本研究では、上記の2つの課題に対処するため、UNEAと呼ばれる非教師なしのエンティティアライメントアプローチを提案する。
まず,各エンティティに根付いた木々近傍をパラメトリックにサンプリングし,各エンティティにパーソナライズされた埋め込みを抽出する木々注意集約機構を開発する。
第2に、KGエンコーダの入力と出力の相互情報を最大化する補助タスクを導入し、モデルを正規化し、分散歪みを防止する。
大規模な実験により、我々のUNEAは、監督されていないEAタスクの新たな最先端を実現し、既存の監督されたEAベースラインを上回ります。
関連論文リスト
- Lambda: Learning Matchable Prior For Entity Alignment with Unlabeled Dangling Cases [49.86384156476041]
検出とエンティティアライメントのダングリングのためのフレームワーク textitLambda を提案する。
Lambdaは、KEESAと呼ばれるGNNベースのエンコーダと、EAのスペクトルコントラスト学習と、iPULEと呼ばれる検出をダングリングするための正の未ラベル学習アルゴリズムを備えている。
論文 参考訳（メタデータ） (2024-03-16T17:21:58Z) - From Alignment to Entailment: A Unified Textual Entailment Framework for
Entity Alignment [17.70562397382911]
既存のメソッドは通常、エンティティのトリプルを埋め込みとしてエンコードし、埋め込みの整列を学ぶ。
我々は両トリプルを統一されたテキストシーケンスに変換し、EAタスクを双方向のテキストエンタテインメントタスクとしてモデル化する。
提案手法は,エンティティ間の2種類の情報の統合相関パターンを捕捉し,元のエンティティ情報間のきめ細かい相互作用を明示的にモデル化する。
論文 参考訳（メタデータ） (2023-05-19T08:06:50Z) - SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。
提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
論文 参考訳（メタデータ） (2023-04-10T11:10:42Z) - Conflict-Aware Pseudo Labeling via Optimal Transport for Entity
Alignment [4.5591913587473964]
本稿では,エンティティアライメントのための最適輸送モデル (CPL-OT) を用いた競合対応Pseudo Labelingを提案する。
CPL-OTは、グローバルローカルアグリゲーションと反復的コンフリクト対応擬似ラベリングを組み合わせた2つの重要なコンポーネント・エンゲージメント学習で構成されている。
セッティングとアライメントの両面で、最先端のベースラインを著しく上回ります。
論文 参考訳（メタデータ） (2022-09-05T09:14:01Z) - Dangling-Aware Entity Alignment with Mixed High-Order Proximities [65.53948800594802]
ダングリングを意識したエンティティアライメントは、知識グラフにおいて未探索だが重要な問題である。
ダングリング・アウェア・エンティティアライメントにおける混合高次近似を用いたフレームワークを提案する。
我々のフレームワークはより正確にダングリングエンティティを検出し、マッチング可能なエンティティをよりよく調整します。
論文 参考訳（メタデータ） (2022-05-05T02:39:55Z) - 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) - ActiveEA: Active Learning for Neural Entity Alignment [31.212894129845093]
エンティティアライメント(EA)は、異なる知識グラフ(KG)間で同等のエンティティをマッチングすることを目的としている。
現在の主流の手法であるニューラルEAモデルは、シードアライメントによるトレーニング、すなわち、事前整合したエンティティペアのセットに依存しています。
我々は、神経EAのための新しいアクティブラーニング(AL)フレームワークを考案し、非常に有意義なシードアライメントを作ることを目指している。
論文 参考訳（メタデータ） (2021-10-13T03:38:04Z) - Affinity Attention Graph Neural Network for Weakly Supervised Semantic
Segmentation [86.44301443789763]
弱教師付きセマンティックセグメンテーションのための親和性注意グラフニューラルネットワーク(A2$GNN)を提案する。
提案手法は,Pascal VOC 2012データセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-06-08T02:19:21Z) - Knowing the No-match: Entity Alignment with Dangling Cases [22.909706377522614]
本稿では,知識グラフ(KG)におけるエンティティアライメントの新しい問題設定について検討する。
KG は異なる実体の集合を持つため、それらの間にアライメントが見つからない実体が存在する可能性があり、実体をダングリングする問題を引き起こす。
我々は、新しいデータセットを構築し、エンティティアライメントとダングリングエンティティ検出の両方のためのマルチタスク学習フレームワークを設計する。
論文 参考訳（メタデータ） (2021-06-04T04:28:36Z) - Visual Pivoting for (Unsupervised) Entity Alignment [93.82387952905756]
本研究は、異種知識グラフ(KGs)におけるエンティティの整列のための視覚的意味表現の使用について研究する。
提案した新しいアプローチであるEVAは、クロスグラフエンティティアライメントのための強い信号を提供する包括的エンティティ表現を生成する。
論文 参考訳（メタデータ） (2020-09-28T20:09:40Z) - Neighborhood Matching Network for Entity Alignment [71.24217694278616]
Neighborhood Matching Network (NMN)は、新しいエンティティアライメントフレームワークである。
NMNは、トポロジカル構造と近傍差の両方を捉えるために、エンティティ間の類似性を推定する。
まず、新しいグラフサンプリング法を用いて、各エンティティの識別的近傍を蒸留する。
その後、クロスグラフの近傍マッチングモジュールを採用し、与えられたエンティティペアの近傍差を共同で符号化する。
論文 参考訳（メタデータ） (2020-05-12T08:26:15Z)
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。