論文の概要: RCTEA: Richness-guided Co-training for Temporal Entity Alignment

• arxiv url: http://arxiv.org/abs/2605.18255v1
• Date: Mon, 18 May 2026 11:55:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.508034
• Title: RCTEA: Richness-guided Co-training for Temporal Entity Alignment
• Title（参考訳）: RCTEA: 時間的エンティティアライメントのためのリッチネス誘導協調トレーニング
• Authors: Jiayun Li, Wen Hua, Shiqi Fan, Fengmei Jin, Haiyang Jiang, Xue Li,
• Abstract要約: 時間的エンティティアライメント(TEA)は、時間的知識グラフ(TKG)間で等価なエンティティを識別することを目的としている。 本稿では,エンティティアライメントのためのTKGの構造的側面と時間的側面の両方を共同でモデル化するRTTEAフレームワークを提案する。 予測アライメントの局所的構造整合性を実現するために,特徴エンコーダを改良したデュアルビュー近傍コンセンサスアルゴリズムを導入する。
• 参考スコア（独自算出の注目度）: 12.221149374732272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal Entity Alignment (TEA), which aims to identify equivalent entities across Temporal Knowledge Graphs (TKGs), is crucial for integrating knowledge facts from multiple sources. However, existing TEA models often fail to capture the orthogonal yet complementary effects between structural and temporal features, and typically overlook the importance of information richness, a key factor for effective message passing in neural feature encoders. To address these limitations, we propose the RCTEA framework, which jointly models both structural and temporal aspects of TKGs for entity alignment. Specifically, we design a richness-guided attention mechanism along with an adaptive weighting strategy to facilitate effective feature fusion. To ensure robust alignment despite noisy entity contexts, we introduce a dual-view neighborhood consensus algorithm that jointly refines the feature encoders to enforce local structural consistency of the predicted alignments. Extensive experiments demonstrate the superiority of RCTEA, achieving state-of-the-art performance on public TEA benchmarks.
• Abstract（参考訳）: 時間的エンティティアライメント(TEA)は、時間的知識グラフ(TKG)にまたがる同等のエンティティを識別することを目的としており、複数の情報源からの知識事実の統合に不可欠である。 しかしながら、既存のTAAモデルは、構造的特徴と時間的特徴の間の直交的かつ相補的な効果を捉えることができず、通常、神経的特徴エンコーダにおける効果的なメッセージパッシングの鍵となる情報豊かさの重要性を無視する。 これらの制約に対処するために,TKGの構造的側面と時間的側面を協調的にモデル化するRCTEAフレームワークを提案する。 具体的には、効果的な特徴融合を促進するための適応重み付け戦略とともに、リッチネス誘導型注意機構を設計する。 ノイズの多いエンティティコンテキストに拘わらず、ロバストなアライメントを確保するために、予測アライメントの局所的な構造一貫性を強制するために、特徴エンコーダを協調的に洗練するデュアルビュー近傍コンセンサスアルゴリズムを導入する。 大規模な実験はRTTEAの優位性を実証し、パブリックTAAベンチマークで最先端のパフォーマンスを達成する。

関連論文リスト

• Jointly Learning Structured Representations and Stabilized Affinity for Human Motion Segmentation [7.350724521347576]
  HMS(Human Motion Clustering)は、動画を異なる人間の動きに対応する非重複セグメントに分割することを目的としている。 現実世界のビデオでは、生のフレームレベルの機能はUnionof-Subspacesの仮定に反し、不満足なセグメンテーション性能をもたらすことが多い。 本稿では,時間的に一貫した構造的表現と,正確かつ堅牢なHMSとの親和性を共同で学習する時間的自己表現型サブスペースクラスタリング(TDSC)を提案する。
  論文  参考訳（メタデータ） (2026-05-07T06:48:53Z)
• Large Vision-Language Models Get Lost in Attention [51.851592109135716]
  本稿では,情報理論と幾何に基づく統合フレームワークを提案し,残差更新の幾何的およびエントロピー的性質を定量化する。 注意は再設定に焦点を当てたサブスペース言語演算子として機能し、FFNはセマンティックイノベーションを駆動するサブスペース言語演算子として機能します。
  論文  参考訳（メタデータ） (2026-05-07T04:45:52Z)
• Beyond the Academic Monoculture: A Unified Framework and Industrial Perspective for Attributed Graph Clustering [75.50670592447219]
  分散グラフクラスタリング(AGC)は、構造トポロジとノード属性を共同でモデル化することによって、ノードを凝集性グループに分割する基本的な教師なしタスクである。 この調査は、3つの相補的な視点からAGCを包括的かつ工業的に基礎づけたレビューを提供する。
  論文  参考訳（メタデータ） (2026-03-21T14:15:34Z)
• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• SynergyKGC: Reconciling Topological Heterogeneity in Knowledge Graph Completion via Topology-Aware Synergy [5.188469894836893]
  我々は、従来の隣り合うアグリゲーションをアクティブなCross-Modal Synergy Expertに進化させる適応的なフレームワークであるSynergyKGCを紹介する。 密度依存Identity Anchoring戦略をダブルトウワー整合性アーキテクチャと結合することにより、SynergyKGCは、トレーニングと推論フェーズ間の表現安定性を確保しながら、トポロジ的不均一性を効果的に調整する。
  論文  参考訳（メタデータ） (2026-02-11T13:31:58Z)
• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• Towards Unifying Diffusion Models for Probabilistic Spatio-Temporal Graph Learning [26.57090339778029]
  本稿では,タスクを共用依存関係を持つ条件情報に基づく予測として,統一的確率論的視点でモデル化することを提案する。 本提案では,タスクを一様に処理するための統一時空間拡散モデル(USTD)を提案する。 USTDは、共有時間エンコーダとアテンションベースのデノナイジングデコーダからなる、全体的設計である。
  論文  参考訳（メタデータ） (2023-10-26T12:48:43Z)
• A Simple Temporal Information Matching Mechanism for Entity Alignment Between Temporal Knowledge Graphs [18.451872649228196]
  本稿では,時間的情報マッチング機構を組み合わせた単純なグラフニューラルネットワーク(GNN)モデルを提案する。 また、TKGの時間情報を用いて、教師なしアライメント種子を生成する方法を提案する。
  論文  参考訳（メタデータ） (2022-09-20T12:27:34Z)
• Cross-modal Consensus Network for Weakly Supervised Temporal Action Localization [74.34699679568818]
  時間的行動局所化 (WS-TAL) は、ビデオレベルの分類的監督によって、ビデオ内のアクションインスタンスをローカライズすることを目的とした課題である。 この問題に対処するためのクロスモーダルコンセンサスネットワーク(CO2-Net)を提案する。
  論文  参考訳（メタデータ） (2021-07-27T04:21:01Z)

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。