論文の概要: Predicate Importance Estimation and Decoupled Rationale-Score Distillation for Entity Alignment

• arxiv url: http://arxiv.org/abs/2606.22992v1
• Date: Mon, 22 Jun 2026 08:11:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 02:57:36.178665
• Title: Predicate Importance Estimation and Decoupled Rationale-Score Distillation for Entity Alignment
• Title（参考訳）: エンティティアライメントにおけるRationale-Score蒸留の精度評価と非結合化
• Authors: Keunha Kim, Yoonjin Jang, Hyeon-gu Lee, Sihyung Kim, Youngjoong Ko,
• Abstract要約: PIE(Predicate Importance Estimation)とDRSD(Decoupled Rationale-Score Distillation)の2つの相補的なモジュールを提案する。 PIEは、コンパクトな埋め込みベースのアプローチで、各1-ホップ三重項から主観情報を除去し、結果の主観的三重項をエンコードし、学習可能な述語重みでそれらを集約する。 DRSDは、ラベルバイアスの少ない信頼信号を保持しながら、SLMがタスク固有の推論を学習することを可能にする。
• 参考スコア（独自算出の注目度）: 14.247246375889262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graphs (KGs) are increasingly used as structured context for Large Language Models (LLMs), but industrial KG-RAG systems often need to integrate public and domain-specific KGs constructed from heterogeneous databases. This integration relies on Entity Alignment (EA), where lexical matching alone is insufficient under predicate-name variation and incomplete local neighborhoods. We address EA for KG integration by constructing a pairwise EA dataset and proposing two complementary modules: Predicate Importance Estimation (PIE) and Decoupled Rationale-Score Distillation (DRSD). PIE is a compact embedding-based approach that removes the subject information from each 1-hop triple, encodes the resulting subjectless triples, and aggregates them with learnable predicate-importance weights to build predicate-aware entity embeddings. DRSD trains a distilled small language model (SLM) with pseudo-answers produced by a teacher LLM through distinct prompts. By converting binary EA labels into text-based supervision and decoupling confidence-score estimation from label-consistent rationales, DRSD enables the SLM to learn task-specific reasoning while retaining a less label-biased confidence signal. Experiments show that PIE and DRSD improve EA classification. Moreover, because DRSD decouples confidence-score estimation from the decision, a discrepancy between the two flags an uncertain prediction for human review, thereby enabling a practical discrepancy between automatic acceptance and human-in-the-loop verification.
• Abstract（参考訳）: 知識グラフ (KG) はLarge Language Models (LLM) の構造化コンテキストとして使われることが多いが、産業用KG-RAGシステムは多種多様なデータベースから構築されたパブリックおよびドメイン固有のKGを統合する必要があることが多い。 この統合は Entity Alignment (EA) に依存している。 我々は、ペアのEAデータセットを構築し、PIE(Predicate Importance Estimation)とDRSD(Decoupled Rationale-Score Distillation)という2つの相補的なモジュールを提案することで、KG統合のためのEAに対処する。 PIEは、コンパクトな埋め込みベースのアプローチで、各1-ホップ三重項から主観情報を除去し、結果の主観的三重項をエンコードし、学習可能な述語重要重みでそれらを集約し、述語対応エンティティの埋め込みを構築する。 DRSDは蒸留された小言語モデル(SLM)を、教師のLLMが異なるプロンプトで生成した擬似回答で訓練する。 バイナリEAラベルをテキストベースの監視に変換し、ラベル一貫性論理から信頼スコア推定を分離することにより、DRSDは、ラベルバイアスの少ない信頼信号を保持しながら、SLMがタスク固有の推論を学習できるようにする。 PIEとDRSDはEA分類を改善している。 さらに,DRSDは信頼性スコア推定を判断から切り離しているため,この2つのフラグの相違は人間のレビューの不確実な予測であり,自動受け入れとループ内検証の現実的な相違を可能にする。

関連論文リスト

• CoT-Seg: Rethinking Segmentation with Chain-of-Thought Reasoning and Self-Correction [50.67483317563736]
  本稿では,段階的に考察し,必要な情報を検索し,結果を生成し,自己評価を行い,結果を洗練するシステムを提案する。 CoT-Segは、思考の連鎖推論と自己補正を組み合わせることで、推論セグメンテーションを再考する、トレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2026-01-24T11:41:54Z)
• Codebook-Injected Dialogue Segmentation for Multi-Utterance Constructs Annotation: LLM-Assisted and Gold-Label-Free Evaluation [0.17240671897505613]
  対話法(DA)のアノテーションは、コミュニケーションや教育の意図を、個々の発話や旋回に局所化したものとして扱う。 本稿では,下流の基準値に基づいて境界決定を行うコードブック注入セグメンテーションを提案する。 DA認識はテキストのみのベースラインよりも内部的に一貫性のあるセグメントを生成する。
  論文  参考訳（メタデータ） (2026-01-17T14:17:13Z)
• SEAL: Self-Evolving Agentic Learning for Conversational Question Answering over Knowledge Graphs [28.59157823781425]
  SEALは、自己進化型エージェント学習に基づく、2段階のセマンティックパーシングフレームワークである。 SEALは、特にマルチホップ推論、比較、集約タスクにおいて、最先端のパフォーマンスを達成する。 その結果, 構造精度と計算効率の両面で有意な向上が認められた。
  論文  参考訳（メタデータ） (2025-12-04T14:52:30Z)
• Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
  関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。 まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。 次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
  論文  参考訳（メタデータ） (2025-04-08T15:22:08Z)
• Unsupervised Robust Cross-Lingual Entity Alignment via Neighbor Triple Matching with Entity and Relation Texts [17.477542644785483]
  言語間エンティティアライメント(EA)は、異なる言語間での複数の知識グラフ(KG)の統合を可能にする。 近隣の3重マッチング戦略により、エンティティレベルとリレーレベルアライメントを共同で実行するEAパイプライン。
  論文  参考訳（メタデータ） (2024-07-22T12:25:48Z)
• Bring Your Own Data! Self-Supervised Evaluation for Large Language Models [52.15056231665816]
  大規模言語モデル(LLM)の自己教師型評価のためのフレームワークを提案する。 閉書知識,毒性,長期文脈依存性を測定するための自己指導型評価戦略を実証する。 自己監督評価と人監督評価との間には強い相関関係が認められた。
  論文  参考訳（メタデータ） (2023-06-23T17:59:09Z)
• Enriching Relation Extraction with OpenIE [70.52564277675056]
  関係抽出(RE)は情報抽出(IE)のサブ分野である 本稿では,オープン情報抽出(OpenIE)の最近の取り組みがREの課題の改善にどのように役立つかを検討する。 本稿では,2つの注釈付きコーパスであるKnowledgeNetとFewRelを用いた実験により,拡張モデルの精度向上を実証した。
  論文  参考訳（メタデータ） (2022-12-19T11:26:23Z)

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。