論文の概要: SE-GNN: Seed Expanded-Aware Graph Neural Network with Iterative Optimization for Semi-supervised Entity Alignment

• arxiv url: http://arxiv.org/abs/2503.20801v1
• Date: Mon, 24 Mar 2025 13:28:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 12:53:30.595295
• Title: SE-GNN: Seed Expanded-Aware Graph Neural Network with Iterative Optimization for Semi-supervised Entity Alignment
• Title（参考訳）: SE-GNN: 半教師付きエンティティアライメントのための反復最適化を備えたシード拡張対応グラフニューラルネットワーク
• Authors: Tao Meng, Shuo Shan, Hongen Shao, Yuntao Shou, Wei Ai, Keqin Li,
• Abstract要約: 知識グラフ(KGs)のスケールが大きくなるにつれて、手動でアノテートしたシードペアのアノテートが困難になる。 半教師付きエンティティアライメントに反復最適化を施したシード拡張対応グラフニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 12.92626286863547
• License:
• Abstract: Entity alignment aims to use pre-aligned seed pairs to find other equivalent entities from different knowledge graphs (KGs) and is widely used in graph fusion-related fields. However, as the scale of KGs increases, manually annotating pre-aligned seed pairs becomes difficult. Existing research utilizes entity embeddings obtained by aggregating single structural information to identify potential seed pairs, thus reducing the reliance on pre-aligned seed pairs. However, due to the structural heterogeneity of KGs, the quality of potential seed pairs obtained using only a single structural information is not ideal. In addition, although existing research improves the quality of potential seed pairs through semi-supervised iteration, they underestimate the impact of embedding distortion produced by noisy seed pairs on the alignment effect. In order to solve the above problems, we propose a seed expanded-aware graph neural network with iterative optimization for semi-supervised entity alignment, named SE-GNN. First, we utilize the semantic attributes and structural features of entities, combined with a conditional filtering mechanism, to obtain high-quality initial potential seed pairs. Next, we designed a local and global awareness mechanism. It introduces initial potential seed pairs and combines local and global information to obtain a more comprehensive entity embedding representation, which alleviates the impact of KGs structural heterogeneity and lays the foundation for the optimization of initial potential seed pairs. Then, we designed the threshold nearest neighbor embedding correction strategy. It combines the similarity threshold and the bidirectional nearest neighbor method as a filtering mechanism to select iterative potential seed pairs and also uses an embedding correction strategy to eliminate the embedding distortion.
• Abstract（参考訳）: エンティティアライメントは、プリアライメントされたシードペアを使用して、異なる知識グラフ(KG)から他の等価エンティティを見つけることを目的としており、グラフ融合関連のフィールドで広く使用されている。 しかし,KGsの規模が大きくなると,手動でアノテートした種子ペアのアノテートが困難になる。 既存の研究では、単一の構造情報を集約して得られた実体埋め込みを利用して潜在的な種子対を同定し、予め整列された種子対への依存を減らす。 しかしながら、KGsの構造的不均一性のため、単一の構造情報のみを用いて得られる潜在的なシードペアの品質は理想的ではない。 さらに, 半教師付き繰り返しによる潜在的な種子対の品質向上を図っているが, ノイズの多い種子対による埋没歪みがアライメント効果に及ぼす影響を過小評価している。 上記の問題を解決するために,SE-GNNと呼ばれる半教師付きエンティティアライメントの反復最適化を施したシード拡張対応グラフニューラルネットワークを提案する。 まず, 条件付きフィルタリング機構と組み合わせた実体の意味的特性と構造的特徴を利用して, 高品質な初期ポテンシャル種子対を得る。 次に、地域的およびグローバルな認識機構を設計した。 初期ポテンシャル種対を導入し、局所情報とグローバル情報を組み合わせてより包括的な実体埋め込み表現を求め、KGs構造的不均一性の影響を緩和し、初期ポテンシャル種対の最適化の基礎を築き上げている。 そこで我々は最寄りの埋め込み補正戦略を設計した。 類似度しきい値と二方向近接法をフィルター機構として組み合わせて、反復ポテンシャル種対を選択するとともに、埋め込み補正戦略を用いて、埋め込み歪みを除去する。

関連論文リスト

• Unsupervised Entity Alignment Based on Personalized Discriminative Rooted Tree [18.939571825594633]
  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。
  論文  参考訳（メタデータ） (2025-02-14T09:45:39Z)
• SEG:Seeds-Enhanced Iterative Refinement Graph Neural Network for Entity Alignment [13.487673375206276]
  本稿では,マルチソースデータと反復的シード拡張を融合したソフトラベル伝搬フレームワークを提案する。 正試料間距離と負試料の差分処理を行う双方向重み付き共同損失関数を実装した。 提案手法は,既存の半教師付きアプローチよりも優れており,複数のデータセットにおいて優れた結果が得られた。
  論文  参考訳（メタデータ） (2024-10-28T04:50:46Z)
• TSC: A Simple Two-Sided Constraint against Over-Smoothing [17.274727377858873]
  グラフ畳み込みニューラルネットワーク(GCN)のための単純な2次元制約(TSC)を導入する。 ランダムマスキングは、隣人からの情報の集約の度合いを調整するために、表現行列の列に作用する。 表現行列の行に適用される対照的な制約は、ノードの識別可能性を高める。
  論文  参考訳（メタデータ） (2024-08-06T12:52:03Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• USAGE: A Unified Seed Area Generation Paradigm for Weakly Supervised Semantic Segmentation [90.08744714206233]
  両タイプのネットワークに対して,シードエリアジェネレーション(USAGE)のための統一最適化パラダイムを提案する。 実験の結果,UAGEはCNNとトランスフォーマーの両方のシード領域生成を一貫して改善することがわかった。
  論文  参考訳（メタデータ） (2023-03-14T11:25:02Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• Clue Me In: Semi-Supervised FGVC with Out-of-Distribution Data [44.90231337626545]
  半教師付き視覚分類のための配布外データ処理に特化した新しい設計を提案する。 実験の結果, (i) 提案手法は分布外データに対して良好なロバスト性を示し, (ii) 先行技術を用いて, 性能を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-12-06T07:22:10Z)
• 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)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。