論文の概要: Breaking the Reasoning Horizon in Entity Alignment Foundation Models

• arxiv url: http://arxiv.org/abs/2601.21174v1
• Date: Thu, 29 Jan 2026 02:18:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.516935
• Title: Breaking the Reasoning Horizon in Entity Alignment Foundation Models
• Title（参考訳）: エンティティ・アライメント・ファンデーション・モデルにおける推論の水平線を破る
• Authors: Yuanning Cui, Zequn Sun, Wei Hu, Kexuan Xin, Zhangjie Fu,
• Abstract要約: 既存のEAモデルは転送性に欠けており、再トレーニングすることなく、見えないKGを調整できない。 並列符号化戦略によって駆動されるEA基盤モデルを提案する。 シードEAペアをローカルアンカーとして利用し、情報フローを誘導し、2つの並列ストリームを同時に初期化し、符号化する。
• 参考スコア（独自算出の注目度）: 22.785226234096882
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Entity alignment (EA) is critical for knowledge graph (KG) fusion. Existing EA models lack transferability and are incapable of aligning unseen KGs without retraining. While using graph foundation models (GFMs) offer a solution, we find that directly adapting GFMs to EA remains largely ineffective. This stems from a critical "reasoning horizon gap": unlike link prediction in GFMs, EA necessitates capturing long-range dependencies across sparse and heterogeneous KG structuresTo address this challenge, we propose a EA foundation model driven by a parallel encoding strategy. We utilize seed EA pairs as local anchors to guide the information flow, initializing and encoding two parallel streams simultaneously. This facilitates anchor-conditioned message passing and significantly shortens the inference trajectory by leveraging local structural proximity instead of global search. Additionally, we incorporate a merged relation graph to model global dependencies and a learnable interaction module for precise matching. Extensive experiments verify the effectiveness of our framework, highlighting its strong generalizability to unseen KGs.
• Abstract（参考訳）: エンティティアライメント(EA)は知識グラフ(KG)の融合に不可欠である。 既存のEAモデルは転送性に欠けており、再トレーニングすることなく、見えないKGを調整できない。 グラフ基礎モデル(GFMs)を用いることで解が得られるが、GAMをEAに直接適用することは依然としてほとんど効果がない。 GFMのリンク予測とは異なり、EAはスパースとヘテロジニアスなKG構造をまたいだ長距離依存関係のキャプチャを必要とする。 シードEAペアをローカルアンカーとして利用し、情報フローを誘導し、2つの並列ストリームを同時に初期化し、符号化する。 これにより、アンカー条件のメッセージパッシングが容易になり、グローバル検索の代わりに局所的な構造的近接を利用して推論軌道を著しく短縮する。 さらに,グローバルな依存関係をモデル化するための結合関係グラフと,正確なマッチングのための学習可能な対話モジュールを組み込んだ。 大規模な実験により、我々のフレームワークの有効性が検証され、見つからないKGに対するその強い一般化性が浮かび上がっている。

関連論文リスト

• Rethinking Federated Graph Foundation Models: A Graph-Language Alignment-based Approach [8.517604507672262]
  フェデレーショングラフ基礎モデル(FedGFMs)の最近の研究は、グラフ基礎モデルを訓練するために集中的なデータストレージを持つという理想的かつ持続不可能な仮定を破っている。 ベクトル量子化されたバックボーンを経由した離散トークン空間上の一般化可能な知識が、量子化過程中に不可逆的な知識損失に悩まされるという研究は、現存する。
  論文  参考訳（メタデータ） (2026-01-29T07:50:00Z)
• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。 RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• Beyond Entity Alignment: Towards Complete Knowledge Graph Alignment via Entity-Relation Synergy [14.459419325027612]
  知識グラフアライメントは、個々の知識グラフの制限に対処するために、複数のソースからの知識を統合することを目的としている。 既存のモデルは、主にクロスグラフエンティティのリンクを強調するが、KG間の関係の整合性を見落としている。 本稿では,2つのサブタスクを反復的に最適化する新しい予測最大化モデルEREMを提案する。
  論文  参考訳（メタデータ） (2024-07-25T03:40:09Z)
• UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
  グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。 まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。 次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
  論文  参考訳（メタデータ） (2024-02-12T19:39:26Z)
• Fake It Till Make It: Federated Learning with Consensus-Oriented Generation [52.82176415223988]
  コンセンサス指向生成による連合学習(FedCOG)を提案する。 FedCOGは、補完的なデータ生成と知識蒸留に基づくモデルトレーニングという、クライアント側の2つの重要なコンポーネントで構成されています。 古典的および実世界のFLデータセットの実験は、FedCOGが一貫して最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2023-12-10T18:49:59Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• Improving Knowledge Graph Entity Alignment with Graph Augmentation [11.1094009195297]
  異なる知識グラフ(KG)をまたいだ等価エンティティをリンクするエンティティアライメント(EA)は、知識融合において重要な役割を果たす。 近年、グラフニューラルネットワーク(GNN)は、多くの埋め込みベースのEA手法でうまく適用されている。 グラフの強化により、マージンベースのアライメント学習とコントラッシブなエンティティ表現学習のための2つのグラフビューを作成する。
  論文  参考訳（メタデータ） (2023-04-28T01:22:47Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• 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)
• Degree-Aware Alignment for Entities in Tail [11.153455121529236]
  我々は、エンティティアライメント(EA)のための新しいフレームワークを提案する。 我々は、2つの異なる情報ソースを効果的に融合させる重要なガイダンスとして、エンティティの学位を識別する。 ポストアライメントでは、信頼できるEA結果をアンカーとして利用することで、元のKGと相手の事実を補完することを提案する。
  論文  参考訳（メタデータ） (2020-05-25T14:15:49Z)

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。