論文の概要: Understanding Domain-Aware Distribution Alignment in Budgeted Entity Matching
- arxiv url: http://arxiv.org/abs/2606.27342v2
- Date: Tue, 30 Jun 2026 14:07:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 13:50:27.703913
- Title: Understanding Domain-Aware Distribution Alignment in Budgeted Entity Matching
- Title（参考訳）: 予算化エンティティマッチングにおけるドメイン意識分布アライメントの理解
- Abstract要約: 低リソース・ドメイン対応EM-BEACONの最先端手法について検討する。
我々は,その性能がアルゴリズムの選択やデータ可用性の条件によってどのように影響を受けるかを検討する。
- 参考スコア（独自算出の注目度）: 5.703174155660825
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Entity Matching (EM) is a core operation in the data integration pipeline, where records from different sources are compared to determine whether they refer to the same real-world entity. Recent work has incorporated domain information and low-resource learning techniques to better adapt EM systems to realistic settings. While these approaches have demonstrated strong performance, it remains unclear how they behave under varying data constraints and levels of supervision in practice. In this paper, we investigate a state-of-the-art method for low-resource, domain-aware EM--BEACON--and study how its performance is affected by different algorithmic choices and data availability conditions. We conduct a series of targeted experiments to evaluate these variations, providing deeper insight into the role of distribution alignment and the behavior of the BEACON framework.
- Abstract（参考訳）: エンティティマッチング(EM)は、データ統合パイプラインの中核的な操作であり、異なるソースからのレコードを比較して、それらが同じ現実世界のエンティティを指すかどうかを決定する。
最近の研究は、EMシステムをよりリアルな環境に適応させるために、ドメイン情報と低リソースの学習技法を取り入れている。
これらのアプローチは強力なパフォーマンスを示しているが、実際にデータ制約や監督レベルの下でどのように振る舞うかは、まだ不明である。
本稿では,低リソースなドメイン対応EM-BEACONの最先端手法について検討し,その性能がアルゴリズムの選択やデータ可用性条件にどう影響するかを検討する。
我々はこれらのバリエーションを評価するために一連の実験を行い、分散アライメントの役割とBEACONフレームワークの振る舞いについて深い洞察を提供する。
関連論文リスト
- Out-of-Context Misinformation Detection via Variational Domain-Invariant Learning with Test-Time Training [7.447483980331488]
Out-of-context misinformation (OOC) は、ニュース報道における低コストな誤報形式である。
我々は,OOC誤情報検出のための領域適応能力を高めるために textbfVDT を提案する。
論文 参考訳（メタデータ） (2025-11-13T11:34:26Z) - Unified modality separation: A vision-language framework for unsupervised domain adaptation [60.8391821117794]
教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインでトレーニングされたモデルが新しいラベル付きドメインを扱うことを可能にする。
本稿では,モダリティ固有成分とモダリティ不変成分の両方に対応可能な統一モダリティ分離フレームワークを提案する。
提案手法は,9倍の計算効率で最大9%の性能向上を実現している。
論文 参考訳（メタデータ） (2025-08-07T02:51:10Z) - DIDS: Domain Impact-aware Data Sampling for Large Language Model Training [61.10643823069603]
大規模言語モデルに対するドメインインパクト対応データサンプリング(DIDS)を提案する。
学習効果に基づくDIDSグループトレーニングデータでは、プロキシ言語モデルと次元削減が使用される。
同等のトレーニング効率を維持しながら平均パフォーマンスを3.4%向上させる。
論文 参考訳（メタデータ） (2025-04-17T13:09:38Z) - Cross-Domain Policy Adaptation via Value-Guided Data Filtering [57.62692881606099]
動的ミスマッチで異なるドメインにまたがるポリシーを一般化することは、強化学習において重要な課題となる。
本稿では、ペア化された値ターゲットの近接に基づいて、ソースドメインからの遷移を選択的に共有するバリューガイドデータフィルタリング(VGDF)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-05-28T04:08:40Z) - SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。
両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。
実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文 参考訳（メタデータ） (2023-04-06T17:36:23Z) - IDA: Informed Domain Adaptive Semantic Segmentation [51.12107564372869]
クラスレベルのセグメンテーション性能に基づいてデータを混合する自己学習フレームワークであるDomain Informed Adaptation (IDA) モデルを提案する。
IDAモデルでは、クラスレベルの性能を期待信頼スコア(ECS)によって追跡し、動的スケジュールを用いて異なる領域のデータに対する混合比を決定する。
提案手法は,GTA-Vの都市景観への適応において1.1 mIoU,SynTHIAの都市への適応において0.9 mIoUのマージンで,最先端のUDA-SS法よりも優れる。
論文 参考訳（メタデータ） (2023-03-05T18:16:34Z) - Knowledge Distillation for BERT Unsupervised Domain Adaptation [2.969705152497174]
トレーニング済みの言語モデルであるBERTは、さまざまな自然言語処理タスクで大幅なパフォーマンス向上を実現している。
蒸留による逆順応法(AAD)を提案する。
ドメイン間感情分類におけるアプローチを30組のドメイン対で評価した。
論文 参考訳（メタデータ） (2020-10-22T06:51:24Z) - Environment Inference for Invariant Learning [9.63004099102596]
環境推論を組み込んだドメイン不変学習フレームワークであるEIILを提案する。
EIILは環境ラベルを使わずにCMNISTベンチマークの不変学習法より優れていることを示す。
また、EIILとアルゴリズムフェアネスの接続を確立することにより、公平な予測問題において、EIILは精度とキャリブレーションを改善することができる。
論文 参考訳（メタデータ） (2020-10-14T17:11:46Z) - Cross-Domain Facial Expression Recognition: A Unified Evaluation
Benchmark and Adversarial Graph Learning [85.6386289476598]
我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。
我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-08-03T15:00:31Z)
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。