論文の概要: FLORA: Unsupervised Knowledge Graph Alignment by Fuzzy Logic

• arxiv url: http://arxiv.org/abs/2510.20467v1
• Date: Thu, 23 Oct 2025 12:05:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.839442
• Title: FLORA: Unsupervised Knowledge Graph Alignment by Fuzzy Logic
• Title（参考訳）: FLORA:ファジィ論理による教師なし知識グラフアライメント
• Authors: Yiwen Peng, Thomas Bonald, Fabian M. Suchanek,
• Abstract要約: 知識グラフアライメント(英: Knowledge graph alignment)とは、2つの知識グラフにまたがる同等のエンティティ(すなわちインスタンスとクラス)と関係をマッチングするタスクである。 既存のほとんどの手法は純粋なエンティティレベルのアライメントに焦点を合わせ、埋め込み空間におけるエンティティの類似性を計算している。 本研究では,教師なしの単純かつ効果的なFLORA,すなわちトレーニングデータを必要としないFLORAを提案する。
• 参考スコア（独自算出の注目度）: 10.111504748829717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph alignment is the task of matching equivalent entities (that is, instances and classes) and relations across two knowledge graphs. Most existing methods focus on pure entity-level alignment, computing the similarity of entities in some embedding space. They lack interpretable reasoning and need training data to work. In this paper, we propose FLORA, a simple yet effective method that (1) is unsupervised, i.e., does not require training data, (2) provides a holistic alignment for entities and relations iteratively, (3) is based on fuzzy logic and thus delivers interpretable results, (4) provably converges, (5) allows dangling entities, i.e., entities without a counterpart in the other KG, and (6) achieves state-of-the-art results on major benchmarks.
• Abstract（参考訳）: 知識グラフアライメント(英: Knowledge graph alignment)とは、2つの知識グラフにまたがる同等のエンティティ(すなわちインスタンスとクラス)と関係をマッチングするタスクである。 既存のほとんどの手法は純粋なエンティティレベルのアライメントに焦点を合わせ、埋め込み空間におけるエンティティの類似性を計算している。 解釈可能な推論がなく、機能するためにはトレーニングデータが必要です。 本稿では,(1)教師なしかつ効果的な手法であるFLORAを提案し,(2)トレーニングデータを必要としない(2),(3)ファジィ論理に基づく,(3)解釈可能な結果を提供する(3),(4)証明可能な収束,(5)他のKGにないエンティティ,(6)主要なベンチマーク上での最先端結果を実現する。

関連論文リスト

• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• NALA: an Effective and Interpretable Entity Alignment Method [5.891578523646542]
  非公理論理(NAL)を用いた3種類の論理推論経路をキャプチャするエンティティアライメント手法であるNALAを導入する。 NALAは推論パスの結論を統合することで、エンティティと関係を反復的に調整する。 実験結果から、NALAはHits@1の観点から最先端の手法よりも優れており、教師なし設定と教師なし設定の両方でDBP15Kの3つのデータセットで0.98以上を達成している。
  論文  参考訳（メタデータ） (2024-04-18T07:55:02Z)
• 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)
• Investigating Graph Structure Information for Entity Alignment with Dangling Cases [31.779386064600956]
  エンティティアライメントは、異なる知識グラフ(KG)における等価なエンティティを見つけることを目的としている。 Weakly-optimal Graph Contrastive Learning (WOGCL) と呼ばれる新しいエンティティアライメントフレームワークを提案する。 We show that WOGCL are outperforms the current-of-the-art method with pure structure information in traditional (relaxed) and dangling settings。
  論文  参考訳（メタデータ） (2023-04-10T17:24:43Z)
• EchoEA: Echo Information between Entities and Relations for Entity Alignment [1.1470070927586016]
  本稿では,エンティティ情報を関係に拡散し,エンティティにエコーバックする自己認識機構を活用した新しいフレームワーク Echo Entity Alignment (EchoEA) を提案する。 3つの実世界のクロスランガルデータセットの実験結果は、平均して96%で安定している。
  論文  参考訳（メタデータ） (2021-07-07T07:34:21Z)
• Unsupervised Knowledge Graph Alignment by Probabilistic Reasoning and Semantic Embedding [22.123001954919893]
  本稿では,確率論的推論とセマンティック埋め込みに基づくPRASEという反復的フレームワークを提案する。 PRASEフレームワークは、異なる埋め込みベースのモデルと互換性があり、複数のデータセットの実験では、その最先端性能が実証されている。
  論文  参考訳（メタデータ） (2021-05-12T11:27:46Z)
• Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
  本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。 エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。 その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-17T03:33:41Z)

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。