論文の概要: Harnessing Structural Context for Entity Alignment Foundation Models
- arxiv url: http://arxiv.org/abs/2606.06109v1
- Date: Thu, 04 Jun 2026 12:57:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-05 22:39:44.796783
- Title: Harnessing Structural Context for Entity Alignment Foundation Models
- Title（参考訳）: エンティティアライメント基礎モデルの構造的コンテキストの調和
- Abstract要約: 本稿では、転送可能なEAのための拡張エンコーダデコーダフレームワークであるContextEAを紹介する。
エンコーダ側では、2つのKGをアンカーブリッジと統一し、より早い関係対応のクロスグラフ伝搬を行うクロスKGインタラクションエンコーダを導入する。
デコーダ側では、アライメントスコアをエンティティレベル、近傍レベル、関係レベル、アンカーレベルの構造証拠と校正する構造校正デコーダを導入する。
- 参考スコア（独自算出の注目度）: 47.50117201618907
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Entity alignment (EA) aims to identify equivalent entities across heterogeneous knowledge graphs (KGs) and is a key component of knowledge fusion and cross-KG reasoning. The recent EA foundation model demonstrates that alignment knowledge, once pretrained, can be directly applied to diverse previously unseen KG pairs. However, it still underuses structural context in two places: cross-KG interaction is weak during encoding, and final candidate ranking still relies too heavily on coarse similarity. We address these limitations with ContextEA, an enhanced encoder-decoder framework for transferable EA. On the encoder side, we introduce a cross-KG interaction encoder that unifies the two KGs with anchor bridges and performs earlier relation-aware cross-graph propagation. On the decoder side, we introduce a structural calibration decoder that calibrates alignment scores with entity-level, neighborhood-level, relation-level, and anchor-aware structural evidence. This design strengthens both structural context construction and structural context exploitation while remaining lightweight. Experiments on 29 EA datasets in OpenEA, SRPRS, and DBP show consistent gains over strong transferable baselines. Notably, the pretrained ContextEA already surpasses the finetuned baselines on all three benchmark groups, demonstrating substantially stronger transfer to unseen KGs. These results suggest that explicitly harnessing structural context is an effective direction for improving EA foundation models.
- Abstract（参考訳）: エンティティアライメント(EA)は、異種知識グラフ(KG)にまたがる等価なエンティティを識別することを目的としており、知識融合とクロスKG推論の重要な構成要素である。
最近のEAファウンデーションモデルは、調整済みのアライメント知識が、これまで目に見えないさまざまなKGペアに直接適用可能であることを実証している。
しかしながら、2つの場所で構造的文脈を過小評価している: エンコーディング中の相互KG相互作用は弱く、最終的な候補ランキングはいまだに粗い類似性に大きく依存している。
移行可能なEAのための拡張エンコーダデコーダフレームワークであるContextEAで、これらの制限に対処する。
エンコーダ側では、2つのKGをアンカーブリッジと統一し、より早い関係対応のクロスグラフ伝搬を行うクロスKGインタラクションエンコーダを導入する。
デコーダ側では、アライメントスコアをエンティティレベル、近傍レベル、関係レベル、アンカーレベルの構造証拠と校正する構造校正デコーダを導入する。
この設計は、構造的コンテキスト構築と構造的コンテキスト利用の両方を軽量のまま強化する。
OpenEA、SRPRS、DBPの29のEAデータセットに対する実験は、強い転送可能なベースラインよりも一貫した利得を示している。
特筆すべきは、事前訓練されたContextEAは、3つのベンチマークグループすべてにおける微調整されたベースラインをすでに越えており、見当たらないKGへのかなり強い移行を示していることである。
これらの結果は、構造的文脈を明示的に活用することがEA基盤モデルの改善に有効な方向であることを示唆している。
関連論文リスト
- COMPASS: Grounding Composition-Intent Guidance in Unified Multimodal Models [52.024920838442576]
本稿では,合成知覚と合成誘導生成の両方にまたがる単一システムにおいて,構成意図制御を基礎とする最初の統合マルチモーダルフレームワークを提案する。
Comp-11は11クラスの分類と推論拡張アノテーションを備えた大規模データセットである。
論文 参考訳（メタデータ） (2026-06-27T02:43:13Z) - BA-T: An Iterative Transformer for Two-View Bundle Adjustment [53.16990349592508]
暗黙のトークン空間における繰り返し可能なレイヤとして,BAスタイルの構造化更新を実装した反復変換器であるBA-Tを提案する。
実験により、BA-Tは反復間におけるポーズと再構成の精度を徐々に改善することが示された。
BA-Tは、奥行き重心に対するコンパクトで効率的で構造的な代替手段を提供し、軽量アーキテクチャ内で正確な3D再構成を可能にする。
論文 参考訳（メタデータ） (2026-06-02T07:51:14Z) - KGPFN: Unlocking the Potential of Knowledge Graph Foundation Model via In-Context Learning [51.44698654440413]
知識グラフ(KG)基盤モデルは、伝達可能な関係構造を学習することによって、目に見えない実体と関係を持つグラフを一般化することを目的としている。
そこで我々は,KGPFNを提案する。KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN。
57KGベンチマークの実験では、KGPFNは、文脈内学習だけで、これまで見られなかったグラフに強く適応することを示した。
論文 参考訳（メタデータ） (2026-05-14T14:41:19Z) - Breaking the Reasoning Horizon in Entity Alignment Foundation Models [22.785226234096882]
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。
論文 参考訳（メタデータ） (2026-01-29T02:18:45Z) - AlphaFold Database Debiasing for Robust Inverse Folding [58.792020809180336]
Debiasing Structure AutoEncoder (DeSAE)を導入し、故意に破損したバックボーンジオメトリからネイティブライクなコンフォーメーションを再構築することを学ぶ。
推測において、DeSAEをAFDB構造に適用すると、逆折り畳み性能を著しく向上する偏りのある構造が生成される。
論文 参考訳（メタデータ） (2025-06-10T02:25:31Z) - DERA: Dense Entity Retrieval for Entity Alignment in Knowledge Graphs [3.500936203815729]
エンティティアライメント(EA)のための高密度エンティティ検索フレームワークを提案する。
我々は言語モデルを活用し、エンティティの様々な特徴を均一にエンコードし、知識グラフ(KG)をまたいで最も近いエンティティ検索を容易にする。
提案手法は,既存のEA手法と比較して最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-08-02T10:12:42Z) - A Fused Gromov-Wasserstein Framework for Unsupervised Knowledge Graph
Entity Alignment [22.526341223786375]
本稿では,FGW(Fused Gromov-Wasserstein)距離を利用した非教師なしエンティティアライメントフレームワークFGWEAを紹介する。
我々は,FGWEAが,最先端管理エンティティアライメント手法を含む21の競争ベースラインを超えることを示す。
論文 参考訳（メタデータ） (2023-05-11T05:17:54Z) - Entity Alignment with Reliable Path Reasoning and Relation-Aware
Heterogeneous Graph Transformer [5.960613525368867]
本稿では,関係と経路構造情報を統合したより効果的なエンティティアライメントフレームワークRPR-RHGTを提案する。
知識グラフの関係構造からEAタスクに適した経路を生成するために,初期信頼経路推論アルゴリズムを開発した。
実体近傍における異種特徴を効率的に捉えるために、関係性を考慮した異種グラフ変換器を設計する。
論文 参考訳（メタデータ） (2022-05-18T09:12:37Z) - Exploring and Evaluating Attributes, Values, and Structures for Entity
Alignment [100.19568734815732]
エンティティアライメント(EA)は、さまざまなKGから等価なエンティティをリンクすることで、リッチコンテンツの統合知識グラフ(KG)を構築することを目的としている。
属性・トリプルは重要なアライメント信号も提供できますが、まだ十分に調査されていません。
本稿では,属性値エンコーダを用いてKGをサブグラフに分割し,属性の様々なタイプを効率的にモデル化することを提案する。
論文 参考訳（メタデータ） (2020-10-07T08:03:58Z) - Inductive Learning on Commonsense Knowledge Graph Completion [89.72388313527296]
コモンセンス知識グラフ(英: Commonsense Knowledge graph、CKG)は、知識グラフ(英: knowledge graph、CKG)の一種。
本稿では,未確認のエンティティがテスト時に現れるCKG完了のための帰納学習環境について検討する。
InductivEは、ATOMICとConceptNetベンチマークの標準設定とインダクティブ設定の両方において、最先端のベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2020-09-19T16:10:26Z) - 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。