論文の概要: EA-Agent: A Structured Multi-Step Reasoning Agent for Entity Alignment

• arxiv url: http://arxiv.org/abs/2604.11686v1
• Date: Mon, 13 Apr 2026 16:30:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.684187
• Title: EA-Agent: A Structured Multi-Step Reasoning Agent for Entity Alignment
• Title（参考訳）: EA-Agent:エンティティアライメントのための構造化マルチステップ推論エージェント
• Authors: Yixuan Nan, Xixun Lin, Yanmin Shang, Ge Zhang, Zheng Fang, Fang Fang, Yanan Cao,
• Abstract要約: 我々は、エンティティアライメント(EA)のための推論駆動エージェントである textbfEA-Agent を提案する。 EA-Agentは、EAを多段階の計画と実行を伴う構造化推論プロセスとして定式化し、解釈可能なアライメント決定を可能にします。 3つのベンチマークデータセットの実験結果は、EA-Agentが既存のEAメソッドを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 18.328937183667396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Entity alignment (EA) aims to identify entities across different knowledge graphs (KGs) that refer to the same real-world object and plays a critical role in knowledge fusion and integration. Traditional EA methods mainly rely on knowledge representation learning, but their performance is often limited under noisy or sparsely supervised scenarios. Recently, large language models (LLMs) have been introduced to EA and achieved notable improvements by leveraging rich semantic knowledge. However, existing LLM-based EA approaches typically treat LLMs as black-box decision makers, resulting in limited interpretability, and the direct use of large-scale triples substantially increases inference cost. To address these challenges, we propose \textbf{EA-Agent}, a reasoning-driven agent for EA. EA-Agent formulates EA as a structured reasoning process with multi-step planning and execution, enabling interpretable alignment decisions. Within this process, it introduces attribute and relation triple selectors to filter redundant triples before feeding them into the LLM, effectively addressing efficiency challenges. Experimental results on three benchmark datasets demonstrate that EA-Agent consistently outperforms existing EA methods and achieves state-of-the-art performance. The source code is available at https://github.com/YXNan0110/EA-Agent.
• Abstract（参考訳）: エンティティアライメント(EA)は、異なる知識グラフ(KG)にまたがるエンティティを識別することを目的としており、同じ現実世界のオブジェクトを参照し、知識融合と統合において重要な役割を果たす。 従来のEAメソッドは主に知識表現学習に依存していますが、そのパフォーマンスは騒々しいシナリオや軽度に監督されたシナリオの下で制限されます。 近年、大規模言語モデル(LLM)がEAに導入され、リッチなセマンティック知識を活用することで顕著な改善が達成されている。 しかし、既存のLLMベースのEAアプローチは、通常、LCMをブラックボックスの意思決定者として扱い、解釈可能性に制限を与え、大規模トリプルの直接使用は推論コストを大幅に増加させる。 これらの課題に対処するために、EAの推論駆動エージェントであるtextbf{EA-Agent}を提案する。 EA-Agentは、EAを多段階の計画と実行を伴う構造化推論プロセスとして定式化し、解釈可能なアライメント決定を可能にします。 このプロセスの中で、LLMに供給する前に冗長な三重項をフィルタリングする属性と関係三重項セレクタを導入し、効率の課題に効果的に対処する。 3つのベンチマークデータセットの実験結果は、EA-Agentが既存のEAメソッドを一貫して上回り、最先端のパフォーマンスを実現していることを示している。 ソースコードはhttps://github.com/YXNan0110/EA-Agent.comで入手できる。

関連論文リスト

• Beyond Unimodal Shortcuts: MLLMs as Cross-Modal Reasoners for Grounded Named Entity Recognition [51.68340973140949]
  GMNER(Multimodal Named Entity Recognition)は、テキストベースのエンティティを抽出し、セマンティックカテゴリを割り当て、それらを対応する視覚領域に接地することを目的としている。 MLLMは、視覚バイアスやテキストバイアスを含む$textbfmodality bias$を示す。 本稿では,モダリティを考慮した一貫性推論(bfMCR$)を提案する。
  論文  参考訳（メタデータ） (2026-02-04T12:12:49Z)
• AgentPRM: Process Reward Models for LLM Agents via Step-Wise Promise and Progress [71.02263260394261]
  大規模言語モデル(LLM)は、マルチターン意思決定タスクにおいて依然として課題に直面している。 プロセス報酬モデル(PRM)を構築し、各意思決定を評価し、エージェントの意思決定プロセスを導く。 AgentPRMは、シーケンシャルな決定と最終的な目標への貢献の間の相互依存の両方をキャプチャする。
  論文  参考訳（メタデータ） (2025-11-11T14:57:54Z)
• Think Then Embed: Generative Context Improves Multimodal Embedding [51.76690812535934]
  本稿では,ユニバーサル・マルチモーダル・エンベディング (UME) のためのThink-Then-Embed (TTE) フレームワークを提案する。 強力なMLLM推論器を利用することで、MMEB-V2ベンチマークで最先端のパフォーマンスを達成し、大規模な社内データセットでトレーニングされたプロプライエタリモデルを上回った。
  論文  参考訳（メタデータ） (2025-10-06T16:53:56Z)
• IDA-Bench: Evaluating LLMs on Interactive Guided Data Analysis [60.32962597618861]
  IDA-Benchは、多ラウンドの対話シナリオで大規模言語モデルを評価する新しいベンチマークである。 エージェント性能は、最終的な数値出力と人間由来のベースラインを比較して判断する。 最先端のコーディングエージェント(Claude-3.7-thinkingなど)でさえ50%のタスクを成功させ、シングルターンテストでは明らかでない制限を強調している。
  論文  参考訳（メタデータ） (2025-05-23T09:37:52Z)
• LLM-Align: Utilizing Large Language Models for Entity Alignment in Knowledge Graphs [22.621781704528786]
  埋め込みベースのエンティティアライメント(EA)が最近注目されている。 EAは、異なる知識グラフ(KG)で対応するエンティティを特定し、一致させようとしている
  論文  参考訳（メタデータ） (2024-12-06T01:05:37Z)
• Entity Alignment with Noisy Annotations from Large Language Models [15.189701951003611]
  我々は,大規模言語モデルをEAに効果的に活用するための統一フレームワーク LLM4EA を提案する。 具体的には、アノテーション空間を大幅に削減するために、新しいアクティブな学習ポリシーを設計する。 基本EAモデルからのフィードバックに基づいて、ポリシーを反復的に最適化します。
  論文  参考訳（メタデータ） (2024-05-27T03:52:55Z)
• Unlocking the Power of Large Language Models for Entity Alignment [29.628079581217374]
  ChatEAは、大規模な言語モデル(LLM)を取り入れてEAを改善する革新的なフレームワークである。 限られた入力KGデータの制約に対処するため、ChatEAはKGコード翻訳モジュールを導入した。 エンティティの埋め込み比較の過度な信頼性を克服するため、ChatEAは2段階のEA戦略を実装している。
  論文  参考訳（メタデータ） (2024-02-23T01:55:35Z)
• Improving Open Information Extraction with Large Language Models: A Study on Demonstration Uncertainty [52.72790059506241]
  オープン情報抽出(OIE)タスクは、構造化されていないテキストから構造化された事実を抽出することを目的としている。 一般的なタスク解決手段としてChatGPTのような大きな言語モデル(LLM)の可能性にもかかわらず、OIEタスクの最先端(教師付き)メソッドは遅れている。
  論文  参考訳（メタデータ） (2023-09-07T01:35:24Z)

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。