論文の概要: OntoAligner Meets Knowledge Graph Embedding Aligners

• arxiv url: http://arxiv.org/abs/2509.26417v1
• Date: Tue, 30 Sep 2025 15:41:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.600963
• Title: OntoAligner Meets Knowledge Graph Embedding Aligners
• Title（参考訳）: OntoAlignerが知識グラフの埋め込みについて語る
• Authors: Hamed Babaei Giglou, Jennifer D'Souza, Sören Auer, Mahsa Sanaei,
• Abstract要約: この研究は、スケーラブルで構造を意識した表現を提供する知識グラフ埋め込み(KGE)モデルの未発見の可能性を再考する。 我々は17種類のKGEモデルをサポートするOntoAlignerライブラリに統合されたモジュラーフレームワークを開発した。 5つのドメインにまたがる7つのベンチマークデータセットにまたがる標準メトリクスを使用して、我々のアプローチを評価する。
• 参考スコア（独自算出の注目度）: 5.014358661236625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ontology Alignment (OA) is essential for enabling semantic interoperability across heterogeneous knowledge systems. While recent advances have focused on large language models (LLMs) for capturing contextual semantics, this work revisits the underexplored potential of Knowledge Graph Embedding (KGE) models, which offer scalable, structure-aware representations well-suited to ontology-based tasks. Despite their effectiveness in link prediction, KGE methods remain underutilized in OA, with most prior work focusing narrowly on a few models. To address this gap, we reformulate OA as a link prediction problem over merged ontologies represented as RDF-style triples and develop a modular framework, integrated into the OntoAligner library, that supports 17 diverse KGE models. The system learns embeddings from a combined ontology and aligns entities by computing cosine similarity between their representations. We evaluate our approach using standard metrics across seven benchmark datasets spanning five domains: Anatomy, Biodiversity, Circular Economy, Material Science and Engineering, and Biomedical Machine Learning. Two key findings emerge: first, KGE models like ConvE and TransF consistently produce high-precision alignments, outperforming traditional systems in structure-rich and multi-relational domains; second, while their recall is moderate, this conservatism makes KGEs well-suited for scenarios demanding high-confidence mappings. Unlike LLM-based methods that excel at contextual reasoning, KGEs directly preserve and exploit ontology structure, offering a complementary and computationally efficient strategy. These results highlight the promise of embedding-based OA and open pathways for further work on hybrid models and adaptive strategies.
• Abstract（参考訳）: オントロジーアライメント(OA)は異種知識システム間のセマンティック・インターオペラビリティの実現に不可欠である。 近年の進歩は、文脈意味論を捉えるための大きな言語モデル(LLM)に焦点を当てているが、この研究は、オントロジーに基づくタスクに適したスケーラブルで構造対応の表現を提供する知識グラフ埋め込み(KGE)モデルの未発見の可能性を再考している。 リンク予測の有効性にもかかわらず、KGE法はOAでは未利用のままであり、多くの先行研究はいくつかのモデルに焦点を絞っている。 このギャップに対処するため、我々はRDF型三重項として表される統合オントロジに対するリンク予測問題としてOAを再構成し、17種類のKGEモデルをサポートするOntoAlignerライブラリに統合されたモジュラーフレームワークを開発する。 このシステムは、組み合わせたオントロジーから埋め込みを学び、表現間のコサイン類似性を計算することによってエンティティを整列させる。 我々は、解剖学、生物多様性、循環経済、材料科学と工学、バイオメディカル機械学習という5つの領域にまたがる7つのベンチマークデータセットの標準指標を用いて、アプローチを評価した。 第一に、ConvEやTransFのようなKGEモデルは、常に高精度なアライメントを生成し、構造豊かでマルチリレーショナルなドメインにおける従来のシステムよりも優れています。 文脈推論において優れたLCMベースの手法とは異なり、KGEはオントロジー構造を直接保存し、活用し、補完的で計算的に効率的な戦略を提供する。 これらの結果は、ハイブリッドモデルと適応戦略をさらに研究するための埋め込み型OAとオープンパスの約束を浮き彫りにしている。

関連論文リスト

• From Latent to Lucid: Transforming Knowledge Graph Embeddings into Interpretable Structures with KGEPrisma [4.2427000279700025]
  本稿では,知識グラフ埋め込み(KGE)モデルに適した,ポストホックでローカルな説明可能なAI手法を提案する。 提案手法は,KGEモデルによって符号化された潜在表現を直接デコードし,埋め込みの滑らかさを活用する。 シンボリック構造を三重項の形で同定することにより,これらの知見を人間に理解可能なシンボリック・ルールや事実に変換する。
  論文  参考訳（メタデータ） (2024-06-03T19:54:11Z)
• Contextualization Distillation from Large Language Model for Knowledge Graph Completion [51.126166442122546]
  我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。 提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。 多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
  論文  参考訳（メタデータ） (2024-01-28T08:56:49Z)
• A Comprehensive Study on Knowledge Graph Embedding over Relational Patterns Based on Rule Learning [49.09125100268454]
  KGE(Knowledge Graph Embedding)は、KGC(Knowledge Completion Graph)タスクを解決するための効果的なアプローチであることが証明されている。 関係パターンはKGEモデルの性能において重要な要素である。 我々は,KGEモデルの性能を様々な関係パターン上で向上させるトレーニングフリー手法を提案する。
  論文  参考訳（メタデータ） (2023-08-15T17:30:57Z)
• Knowledge Graph Contrastive Learning Based on Relation-Symmetrical Structure [36.507635518425744]
  関係対称構造に基づく知識グラフコントラスト学習フレームワークKGE-SymCLを提案する。 我々のフレームワークは、KGEモデルの識別能力を高めるために、KGの対称構造情報をマイニングする。
  論文  参考訳（メタデータ） (2022-11-19T16:30:29Z)
• Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased Scene Graph Generation [62.96628432641806]
  Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。 まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。 次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
  論文  参考訳（メタデータ） (2022-03-18T09:14:13Z)
• Learning Gaussian Graphical Models with Latent Confounders [74.72998362041088]
  我々は、グラフィカルモデルにおける推論のための2つの戦略を、潜伏した共同創設者と比較し、対比する。 これら2つのアプローチは、類似した目標を持っているが、それらは共起に関する異なる仮定によって動機付けられている。 これら2つのアプローチの強みを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-14T00:53:03Z)
• Deepened Graph Auto-Encoders Help Stabilize and Enhance Link Prediction [11.927046591097623]
  リンク予測は、浅層グラフオートエンコーダ(GAE)アーキテクチャの1層または2層に基づく現在の最先端モデルを用いて、比較的未研究のグラフ学習タスクである。 本論文では,浅いGAEと変動GAEしか使用できないリンク予測の現在の手法の限界に対処することに焦点をあてる。 提案手法はGAEのアーキテクチャに標準オートエンコーダ(AE)を革新的に組み込んでおり、標準AEは隣接情報とノード機能をシームレスに統合することで必要不可欠な低次元表現を学習する。
  論文  参考訳（メタデータ） (2021-03-21T14:43:10Z)
• 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)

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。