論文の概要: OntoAligner-Ensemble: Voting-Based Fusion across Heterogeneous Ontology Alignment Techniques
- arxiv url: http://arxiv.org/abs/2608.31137v1
- Date: Mon, 31 Aug 2026 17:44:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.54403
- Title: OntoAligner-Ensemble: Voting-Based Fusion across Heterogeneous Ontology Alignment Techniques
- Title（参考訳）: OntoAligner-Ensemble:不均一なオントロジーアライメント技術による投票ベースの融合
- Abstract要約: OntoAligner-Ensembleは、オントロジーアライメントのためのモジュラーおよびアライメントに依存しないフレームワークである。
バイオメディカルから非等価までの8つのベンチマークタスクの個別構成とアンサンブル構成を評価した。
分析の結果,アンサンブル構成は精度-リコールトレードオフに直接影響を及ぼすことが明らかとなった。
- 参考スコア（独自算出の注目度）: 4.6738850456680465
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ontology alignment (OA) has evolved through several methodological paradigms, ranging from lexical and structural aligners to knowledge graph embedding (KGE) models and, more recently, Large Language Model (LLM)-based approaches. Although modern OA frameworks provide unified ecosystems for deploying these heterogeneous aligners, mechanisms for systematically reconciling their complementary and sometimes conflicting predictions remain relatively underexplored. We present OntoAligner-Ensemble, a modular and aligner-agnostic framework that combines candidate correspondences through a configurable two-stage process comprising voting-based fusion strategies followed by post-fusion selection policies. The framework supports any aligner implemented within OntoAligner that produces candidate correspondences, enabling diverse alignment paradigms to be integrated through a unified decision process. To demonstrate its effectiveness, we instantiate the framework using representative lightweight string-aligner, KGE-based, and Retrieval-Augmented Generation aligners powered by both open-weight and API-based LLMs. We evaluate individual aligners and ensemble configurations across eight benchmark tasks from five OAEI tracks spanning biomedical to beyond-equivalence. The results show that ensemble fusion consistently improves the balance between precision and recall and frequently outperforms standalone aligners across diverse domains. Furthermore, our analysis reveals that ensemble composition directly affects the precision-recall trade-off: heterogeneous cross-paradigm ensembles generally improve precision, whereas homogeneous LLM ensembles more often achieve higher overall F1-scores. These findings demonstrate that systematic ensemble learning offers a robust and reproducible strategy for OA while providing practical guidance for selecting ensemble compositions under different alignment scenarios.
- Abstract（参考訳）: オントロジーアライメント(OA)は、語彙的および構造的アライメントから知識グラフ埋め込み(KGE)モデル、さらに最近ではLarge Language Model(LLM)ベースのアプローチまで、いくつかの方法論パラダイムを通じて進化してきた。
現代のOAフレームワークは、これらの異種アライメントをデプロイするための統一されたエコシステムを提供するが、それらの補完的および時には矛盾する予測を体系的に整合させるメカニズムは、比較的過小評価されている。
OntoAligner-Ensembleは,投票ベースの融合戦略とポストフュージョン選択ポリシーを組み合わせた構成可能な2段階プロセスを通じて,候補対応を結合したモジュール型および整列型フレームワークである。
このフレームワークは、候補対応を生成するOntoAlignerで実装された任意の整合性をサポートし、統一された決定プロセスを通じて多様な整合性パラダイムを統合することができる。
提案手法の有効性を示すために,軽量な文字列アライナ,KGEベース,およびオープンウェイトおよびAPIベースのLLMを併用したRetrieval-Augmented Generationアライナを用いて,フレームワークのインスタンス化を行う。
バイオメディカルから非等価までの5つのOAEIトラックから,8つのベンチマークタスクの個々のアライメントとアンサンブル構成を評価した。
その結果、アンサンブル融合は精度とリコールのバランスを一貫して改善し、様々な領域でスタンドアローン・コンディショナーを上回っていることがわかった。
さらに,同種LLMアンサンブルはF1スコアが高くなるのに対して,異種クロスパラダイムアンサンブルは一般的に精度を向上する。
これらの結果は,体系的なアンサンブル学習が,異なるアライメントシナリオ下でのアンサンブル構成を選択するための実践的ガイダンスを提供しながら,頑健で再現可能な戦略を提供することを示している。
関連論文リスト
- Harnessing the Wisdom of LLM Crowds through Complementarity-Driven Iterative Collaboration [7.252833168419753]
大規模言語モデル(LLM)はますますエンタープライズ環境にデプロイされているが、個々のモデルはモデル固有の機能制限によって制限される。
2つの設計原理に基づくフレームワークWILC (Wisdom Integration of LLM Crowds)を提案する。
WilCは、GPT-5.2の平均ベンチマーク性能を、クエリ毎の約7倍のコストで比較している。
論文 参考訳（メタデータ） (2026-07-31T07:13:59Z) - PivotMerge: Bridging Heterogeneous Multimodal Pre-training via Post-Alignment Model Merging [80.17966517536102]
マルチモーダル大規模言語モデルの事前学習の核心は、効果的なクロスモーダルアライメントの確立にあると論じる。
この知見に触発されて,マルチモーダル事前学習から学んだクロスモーダルアライメント機能を統合することを目的とした,アライメント後のマージタスクを導入する。
クロスモーダルプロジェクタのためのアライメント後マージフレームワークであるPivotMergeを提案する。
論文 参考訳（メタデータ） (2026-04-18T09:38:03Z) - Chain of Modality: From Static Fusion to Dynamic Orchestration in Omni-MLLMs [84.3271821505699]
カオス・オブ・モダリティ(Chain of Modality, CoM)は、マルチモーダル融合を受動的結合から動的オーケストレーションに移行するエージェントフレームワークである。
CoMはトレーニングフリーまたはデータ効率のSFT設定で動作し、様々なベンチマークで堅牢で一貫した一般化を実現する。
論文 参考訳（メタデータ） (2026-04-16T01:21:14Z) - Adaptive Global and Fine-Grained Perceptual Fusion for MLLM Embeddings Compatible with Hard Negative Amplification [49.109117617514066]
マルチモーダル埋め込みは、視覚と言語を整合させるブリッジとして機能する。
MLLM埋め込みのための適応的グローバルおよび微粒な知覚融合法を提案する。
AGFF-Embedは、総合的および微粒な理解において、最先端のパフォーマンスを包括的に達成する。
論文 参考訳（メタデータ） (2026-02-05T14:52:35Z) - Game-Theoretic Co-Evolution for LLM-Based Heuristic Discovery [37.96481049421407]
大規模言語モデル(LLM)は、自動発見の急速な進歩を可能にした。
本稿では,発見を問題解決者とインスタンスジェネレータのプログラムレベルの共進化として再編成するゲーム理論フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-30T12:14:52Z) - scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。
本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
論文 参考訳（メタデータ） (2025-10-28T21:28:39Z) - Incomplete Multi-view Clustering via Hierarchical Semantic Alignment and Cooperative Completion [13.39263294343983]
本稿では,階層的セマンティックアライメントと協調補完(HSACC)に基づく,新しい不完全なマルチビュークラスタリングフレームワークを提案する。
HSACCはデュアルレベルのセマンティック空間設計により、堅牢なクロスビュー融合を実現する。
実験の結果、HSACCは5つのベンチマークデータセットで最先端の手法を著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2025-10-14T02:58:10Z) - OntoAligner Meets Knowledge Graph Embedding Aligners [5.014358661236625]
この研究は、スケーラブルで構造を意識した表現を提供する知識グラフ埋め込み(KGE)モデルの未発見の可能性を再考する。
我々は17種類のKGEモデルをサポートするOntoAlignerライブラリに統合されたモジュラーフレームワークを開発した。
5つのドメインにまたがる7つのベンチマークデータセットにまたがる標準メトリクスを使用して、我々のアプローチを評価する。
論文 参考訳（メタデータ） (2025-09-30T15:41:23Z) - Semantic-Aligned Learning with Collaborative Refinement for Unsupervised VI-ReID [82.12123628480371]
教師なしの人物再識別(USL-VI-ReID)は、モデル学習のための人間のアノテーションを使わずに、同じ人物の歩行者像を異なるモードでマッチングすることを目指している。
従来の手法では、ラベルアソシエーションアルゴリズムを用いて異質な画像の擬似ラベルを統一し、グローバルな特徴学習のためのコントラスト学習フレームワークを設計していた。
本稿では,各モダリティによって強調される特定のきめ細かいパターンを対象とするSALCR(Semantic-Aligned Learning with Collaborative Refinement)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-27T13:58:12Z) - Revisiting GANs by Best-Response Constraint: Perspective, Methodology,
and Application [49.66088514485446]
ベストレスポンス制約(Best-Response Constraint、BRC)は、ジェネレータのディスクリミネータへの依存性を明示的に定式化する一般的な学習フレームワークである。
モチベーションや定式化の相違があっても, フレキシブルBRC法により, 様々なGANが一様に改善できることが示される。
論文 参考訳（メタデータ） (2022-05-20T12:42:41Z)
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。