論文の概要: IRIS: Reusable Identity Representations from Frozen LLMs for Entity Alignment

• arxiv url: http://arxiv.org/abs/2607.25579v1
• Date: Tue, 28 Jul 2026 11:05:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.813277
• Title: IRIS: Reusable Identity Representations from Frozen LLMs for Entity Alignment
• Title（参考訳）: IRIS: エンティティアライメントのための凍結LDMからの再利用可能なアイデンティティ表現
• Abstract要約: IRIS(Identity Representations from Internal States)は、固有かつ安定したアイデンティティ特性をコードするアイリスのようなシグネチャを各エンティティに対して構築する、トレーニング不要のフレームワークである。 D-Y-15K V2, DBP-WIKI, ICEWS-WIKI, ICEWS-YAGOでそれぞれ100.00, 99.38, 98.31, 97.99のHits@1値が得られた。
• 参考スコア（独自算出の注目度）: 15.433493445427182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Entity alignment (EA) identifies entities across knowledge graphs (KGs) that refer to the same real-world object. Conventional EA methods mainly exploit explicit graph structures and textual fields, which often provide insufficient semantic understanding to recognize the same entity under heterogeneous descriptions and distinguish it from semantically similar entities. Although large language models (LLMs) offer deeper entity understanding, existing LLM-based EA methods largely use this capability for auxiliary generation or candidate-conditioned decisions. Consequently, such understanding is not distilled into a stable and directly comparable identity space, leaving alignment tied to specific KG pairs or candidate sets and requiring repeated processing as the matching context changes. To address these limitations, we propose IRIS (Identity Representations from Internal States), a training-free framework that constructs for each entity an iris-like signature encoding its distinctive and stable identity characteristics. IRIS derives these signatures by eliciting identity-oriented contextual representations from a frozen LLM, thereby forming a shared space in which each entity is encoded once and can be aligned across different KGs through direct similarity comparison, without pair-dependent representation construction or candidate-wise LLM inference. Across four established EA benchmarks and two frozen LLM backbones, the best IRIS variants achieve Hits@1 scores of 100.00, 99.38, 98.31, and 97.99 on D-Y-15K V2, DBP-WIKI, ICEWS-WIKI, and ICEWS-YAGO, respectively.
• Abstract（参考訳）: エンティティアライメント(EA)は、同じ現実世界のオブジェクトを参照する知識グラフ(KG)にまたがるエンティティを識別する。 従来のEA手法は主に明示的なグラフ構造とテキストフィールドを利用しており、しばしば不均一な記述の下で同じ実体を認識し、意味的に類似した実体と区別するために、意味的な理解が不十分である。 大規模言語モデル(LLM)はより深いエンティティ理解を提供するが、既存のLLMベースのEAメソッドは補助生成や候補条件決定に主にこの能力を使用する。 したがって、そのような理解は安定で直接的に同等な恒等空間に蒸留されず、特定のKG対や候補集合に関連付けられたアライメントを残し、マッチングコンテキストが変化するにつれて繰り返し処理を必要とする。 これらの制約に対処するために、各エンティティに対して、その特異かつ安定したアイデンティティ特性を符号化するアイリス様シグネチャを構成する、トレーニング不要なフレームワークであるIRIS(Identity Representations from Internal States)を提案する。 IRISは、凍結LDMからアイデンティティ指向の文脈表現を抽出することでこれらのシグネチャを導出し、それによって各エンティティが一度エンコードされ、ペア依存の表現構成や候補ワイズLDM推論なしで直接類似性比較によって異なるKGに整列できる共有空間を形成する。 4つのEAベンチマークと2つの凍結LDMバックボーンで、最高のIRISは100.00、99.38、98.31、97.99のHits@1スコアをそれぞれD-Y-15K V2、DBP-WIKI、ICEWS-WIKI、ICEWS-YAGOで達成している。

関連論文リスト

• Interpretable Representation via LLM-Driven Generative Disentanglement for Local-Life Service Recommendation [28.83516611687355]
  我々はLGRID(Local-Life Service Recommendation)のためのLLM駆動型生成ディスタングルによる解釈可能な表現を提案する。 LGRID は Encode -> Disentangle -> Align -> Quantize Pipeline を通じて生成的不整合のパラダイムを導入している。 KuaishouとFoursquareの実験によると、LGRIDはSIDベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-07-30T09:52:18Z)
• Weave of Formal Thought [51.56484100374058]
  WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。 本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。 Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
  論文  参考訳（メタデータ） (2026-06-24T15:58:11Z)
• Unleashing the Native Recommendation Potential: LLM-Based Generative Recommendation via Structured Term Identifiers [51.64398574262054]
  本稿では,意味的にリッチで標準化されたテキストキーワードの集合として定義された用語ID(TID)を導入し,堅牢な項目識別子として機能する。 本稿では,TIDを中心にした新しいフレームワークGRLMを提案し,項目のメタデータを標準化されたTIDに変換し,統合的インストラクションファインタニングを活用して,用語の内部化とシーケンシャルレコメンデーションを協調的に最適化する。
  論文  参考訳（メタデータ） (2026-01-11T07:53:20Z)
• What Makes You Unique? Attribute Prompt Composition for Object Re-Identification [70.67907354506278]
  Object Re-IDentificationは、重複しないカメラビューで個人を認識することを目的としている。 単一ドメインモデルはドメイン固有の機能に過度に適合する傾向がありますが、クロスドメインモデルは多種多様な正規化戦略に依存します。 本稿では,テキストのセマンティクスを利用して識別と一般化を協調的に強化する属性プロンプト合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-23T07:03:08Z)
• Large Language Models are Good Relational Learners [55.40941576497973]
  本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。 従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
  論文  参考訳（メタデータ） (2025-06-06T04:07:55Z)
• Order-agnostic Identifier for Large Language Model-based Generative Recommendation [94.37662915542603]
  アイテムは、ユーザ履歴をエンコードし、次のアイテムを生成するために、LLM(Large Language Models)の識別子に割り当てられる。 既存のアプローチでは、トークンシーケンス識別子を使用して、アイテムを個別のトークンシーケンスとして表現するか、IDまたはセマンティック埋め込みを使用して単一トークン識別子を使用する。 本稿では,セマンティック・トークンライザを利用するSETRecを提案する。
  論文  参考訳（メタデータ） (2025-02-15T15:25:38Z)
• 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)
• Learning Multi-Aspect Item Palette: A Semantic Tokenization Framework for Generative Recommendation [55.99632509895994]
  マルチアスペクトセマンティックトークン化のための新しいアプローチであるLAMIAを紹介する。 単一の埋め込みを使用するRQ-VAEとは異なり、LAMIAは独立的でセマンティックな並列な埋め込みの集合である「アイテムパレット」を学習する。 その結果,提案手法よりも提案手法の精度が大幅に向上した。
  論文  参考訳（メタデータ） (2024-09-11T13:49:48Z)
• 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)
• Entity Disambiguation via Fusion Entity Decoding [68.77265315142296]
  より詳細なエンティティ記述を持つエンティティを曖昧にするためのエンコーダ・デコーダモデルを提案する。 GERBILベンチマークでは、EntQAと比較して、エンド・ツー・エンドのエンティティリンクが+1.5%改善されている。
  論文  参考訳（メタデータ） (2024-04-02T04:27:54Z)
• Two Heads Are Better Than One: Integrating Knowledge from Knowledge Graphs and Large Language Models for Entity Alignment [31.70064035432789]
  LLMEA(Large Language Model-enhanced Entity Alignment Framework)を提案する。 LLMEAは、知識グラフにまたがるエンティティ間の類似性を埋め込んだり、仮想の等価エンティティとの距離を編集することで、特定のエンティティの候補アライメントを識別する。 3つの公開データセットで実施された実験により、LLMEAが主要なベースラインモデルを上回ることが判明した。
  論文  参考訳（メタデータ） (2024-01-30T12:41:04Z)
• Cross-lingual Entity Alignment with Adversarial Kernel Embedding and Adversarial Knowledge Translation [35.77482102674059]
  言語間のエンティティアライメントは、しばしば特徴的不整合からシーケンス的コンテキスト無意識の課題に悩まされる。 本稿では,言語間エンティティアライメント(DAEA)のための2つの対向学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-16T00:57:28Z)

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。