論文の概要: CMOMgen: Complex Multi-Ontology Alignment via Pattern-Guided In-Context Learning

• arxiv url: http://arxiv.org/abs/2510.21656v1
• Date: Fri, 24 Oct 2025 17:12:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.552972
• Title: CMOMgen: Complex Multi-Ontology Alignment via Pattern-Guided In-Context Learning
• Title（参考訳）: CMOMgen:パターンガイド型インコンテキスト学習による複雑なマルチオントロジーアライメント
• Authors: Marta Contreiras Silva, Daniel Faria, Catia Pesquita,
• Abstract要約: 複合マルチオントロジーマッチング(CMOM)は、1つのソースエンティティを複数のターゲットエンティティの複合論理式に整合させる。 CMOMgenは、ターゲットやエンティティの数を制限することなくセマンティックマッピングを生成する最初のエンドツーエンド戦略である。
• 参考スコア（独自算出の注目度）: 0.45880283710344066
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Constructing comprehensive knowledge graphs requires the use of multiple ontologies in order to fully contextualize data into a domain. Ontology matching finds equivalences between concepts interconnecting ontologies and creating a cohesive semantic layer. While the simple pairwise state of the art is well established, simple equivalence mappings cannot provide full semantic integration of related but disjoint ontologies. Complex multi-ontology matching (CMOM) aligns one source entity to composite logical expressions of multiple target entities, establishing more nuanced equivalences and provenance along the ontological hierarchy. We present CMOMgen, the first end-to-end CMOM strategy that generates complete and semantically sound mappings, without establishing any restrictions on the number of target ontologies or entities. Retrieval-Augmented Generation selects relevant classes to compose the mapping and filters matching reference mappings to serve as examples, enhancing In-Context Learning. The strategy was evaluated in three biomedical tasks with partial reference alignments. CMOMgen outperforms baselines in class selection, demonstrating the impact of having a dedicated strategy. Our strategy also achieves a minimum of 63% in F1-score, outperforming all baselines and ablated versions in two out of three tasks and placing second in the third. Furthermore, a manual evaluation of non-reference mappings showed that 46% of the mappings achieve the maximum score, further substantiating its ability to construct semantically sound mappings.
• Abstract（参考訳）: 包括的な知識グラフを構築するには、データをドメインに完全にコンテキスト化するために複数のオントロジーを使う必要がある。 オントロジーマッチングは、オントロジーを相互接続する概念と、結合的な意味層を作る概念の等価性を見出す。 単純なペアワイズ・オブ・ザ・アートは十分に確立されているが、単純な同値写像は関連するが非結合なオントロジーの完全な意味的な統合を提供することはできない。 複合マルチオントロジーマッチング(CMOM)は、1つのソースエンティティを複数のターゲットエンティティの複合論理式に整合させ、オントロジ階層に沿ってよりニュアンスな等価性と証明を確立する。 提案するCMOMgenは,対象オントロジーやエンティティの数に制限を加えることなく,完全かつ意味論的に音声マッピングを生成する,最初のエンドツーエンドCMOM戦略である。 Retrieval-Augmented Generationは、マッピングを構成する関連クラスを選択し、マッチする参照マッピングを例としてフィルタし、In-Context Learningを強化する。 この戦略は, 部分的基準アライメントを伴う3つの生体医学的課題において評価された。 CMOMgenは、クラス選択におけるベースラインよりも優れており、専用の戦略を持つことの影響を示している。 我々の戦略はまた、F1スコアの最低63%を達成し、3つのタスクのうち2つで全てのベースラインと短縮バージョンを上回り、3番目のタスクで2位につけます。 さらに,非参照マッピングを手動で評価した結果,マッピングの46%が最大スコアを達成し,意味的な音声マッピングを構築する能力が実証された。

関連論文リスト

• Heterogeneous LLM Methods for Ontology Learning (Few-Shot Prompting, Ensemble Typing, and Attention-Based Taxonomies) [46.54026795022501]
  LLMs4OL 2025チャレンジのタスクA,B,Cに対処する包括的システムを提案する。 提案手法は、検索強化プロンプト、ゼロショット分類、アテンションに基づくグラフモデリングを組み合わせたものである。 これらのモジュラーでタスク固有のソリューションによって、公式のリーダーボードで上位の成果を得られるようになりました。
  論文  参考訳（メタデータ） (2025-08-26T20:50:16Z)
• Hierarchical Matching and Reasoning for Multi-Query Image Retrieval [113.44470784756308]
  マルチクエリ画像検索のための階層マッチング・推論ネットワーク(HMRN)を提案する。 MQIRを3つの階層的なセマンティック表現に分解し、きめ細かい局所的な詳細、文脈的グローバルスコープ、高レベルの固有の相関をキャプチャする責任を負う。 我々のHMRNは最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2023-06-26T07:03:56Z)
• Prototype-based Embedding Network for Scene Graph Generation [105.97836135784794]
  現在のシーングラフ生成(SGG)手法は、コンテキスト情報を探索し、エンティティペア間の関係を予測する。 被写体と対象物の組み合わせが多様であるため、各述語カテゴリーには大きなクラス内変異が存在する。 プロトタイプベースのEmbedding Network (PE-Net) は、エンティティ/述語を、プロトタイプに準拠したコンパクトで独特な表現でモデル化する。 PLは、PE-Netがそのようなエンティティ述語マッチングを効率的に学習するのを助けるために導入され、不明瞭なエンティティ述語マッチングを緩和するためにプロトタイプ正規化(PR)が考案されている。
  論文  参考訳（メタデータ） (2023-03-13T13:30:59Z)
• Truveta Mapper: A Zero-shot Ontology Alignment Framework [3.5284865194805106]
  教師なしオントロジーマッチング(OM)やオントロジーアライメント(OA)に対する新しい視点の提案 提案するフレームワークであるTruveta Mapper (TM)は、マルチタスクのシーケンス・ツー・シーケンス・トランスフォーマーモデルを利用して、ゼロショット、統一、エンドツーエンドの方法で複数のアライメントを実行する。 TMは、公開コーパステキストと内部オントロジデータのみを事前訓練し、微調整する。
  論文  参考訳（メタデータ） (2023-01-24T00:32:56Z)
• Mix and Reason: Reasoning over Semantic Topology with Data Mixing for Domain Generalization [48.90173060487124]
  ドメイン一般化(DG)は、複数のソースドメインから見えないターゲットドメインへの学習マシンを可能にする。 mire は2つのキーコンポーネント、すなわち Category-Aware Data Mixing (CDM) と Adaptive Semantic Topology Refinement (ASTR) で構成されている。 複数のDGベンチマーク実験により,提案法の有効性とロバスト性を検証した。
  論文  参考訳（メタデータ） (2022-10-14T06:52:34Z)
• Contextualizing Meta-Learning via Learning to Decompose [125.76658595408607]
  本稿では,メタ学習型サポート・ツー・ターゲット戦略の文脈化を図るために,ネットワーク(LeadNet)を分解する学習を提案する。 LeadNetは、コンテキスト間の比較をポリセムの埋め込みに組み込むことで、右に関連付けられた戦略を自動的に選択することを学ぶ。
  論文  参考訳（メタデータ） (2021-06-15T13:10:56Z)
• Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
  提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。 実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
  論文  参考訳（メタデータ） (2020-09-12T17:36:53Z)
• Bidirectional Graph Reasoning Network for Panoptic Segmentation [126.06251745669107]
  本稿では,BGRNet(Bidirectional Graph Reasoning Network)を導入し,前景物と背景物間のモジュラー内およびモジュラー間関係について検討する。 BGRNetはまず、インスタンスとセマンティックセグメンテーションの両方でイメージ固有のグラフを構築し、提案レベルとクラスレベルで柔軟な推論を可能にする。
  論文  参考訳（メタデータ） (2020-04-14T02:32:10Z)

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。