論文の概要: SQuIREL: A Context-Relative Framework for Measuring Entity Richness in Wikidata

• arxiv url: http://arxiv.org/abs/2610.24709v1
• Date: Sat, 17 Oct 2026 14:16:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 16:50:15.459928
• Title: SQuIREL: A Context-Relative Framework for Measuring Entity Richness in Wikidata
• Title（参考訳）: SQuIREL:Wikidataにおけるエンティティのリッチ性を測定するためのコンテキスト関連フレームワーク
• Abstract要約: SQuIREL(SQuIREL)は、6次元を用いてエンティティレベルで直接リッチネスを測定する手法である。 この指標は、油絵(ブラジル対フランス)と作家(市民権とジェンダーによってグループ化された)の2つのケーススタディに適用し、それが体系的偏見を示す表現的不等式をどのように表すかを示す。
• 参考スコア（独自算出の注目度）: 7.129235991443938
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wikidata is a large, heterogeneous knowledge graph and applying data quality metrics requires context-specific approaches. The "richness" quality metric is currently under-researched and typically restricted to the ontology level, which fails to capture entity-specific structural depth. To address this gap, we introduce SQuIREL, a method that measures richness directly at the entity level using six dimensions: Semantic Specificity, Qualifier Density, Internal Connectivity, Reference Provenance, External Network Connectivity, and Linguistic Accessibility. These dimensions are kept disaggregated to preserve actionability for targeted editorial intervention. We apply this metric to two case studies of oil paintings (Brazilian vs. French) and writers (grouped by citizenship and gender) to demonstrate how it surfaces representational inequalities that may indicate systemic bias. Our metric successfully distinguishes between highly tailored and basic entity profiles, revealing nuances that raw counts and existing aggregate scores obscure. Specifically, it identifies structural imbalances, such as 48% of Brazilian paintings clustering as low-richness stubs against 0% in the French cohort, as well as intersectional patterns, including contrasting gender gaps between UK and Nigerian writers.
• Abstract（参考訳）: Wikidataは大規模で異質な知識グラフであり、データ品質のメトリクスを適用するにはコンテキスト固有のアプローチが必要である。 リッチネス」の基準は現在、未調査であり、通常はオントロジーレベルに限定されており、エンティティ固有の構造深度を捉えることができない。 このギャップに対処するため、SQuIRELは、セマンティック特異性、量子化密度、内部接続性、参照確率、外部ネットワーク接続性、言語アクセシビリティの6つの次元を用いて、エンティティレベルでのリッチネスを直接測定する手法である。 これらの次元は、標的となる編集介入の行動可能性を維持するために分離される。 この指標は、油絵(ブラジル対フランス)と作家(市民権とジェンダーによってグループ化された)の2つのケーススタディに適用し、それが体系的偏見を示す表現的不等式をどのように表すかを示す。 我々の測定基準は、高度に調整されたエンティティプロファイルと基本的なエンティティプロファイルの区別に成功し、生数と既存の集計スコアが不明なニュアンスを明らかにした。 具体的には、ブラジルの絵画の48%が、フランスのコホートで0%と低密度のスタブとしてクラスタリングしており、また、イギリスとナイジェリアの作家の間での男女差の対比を含む交点パターンである。

関連論文リスト

• Representing Entity Importance in AI Knowledge Systems: A Dual-Signal Framework of Audience Evaluation and Structural Authority [0.0]
  AI知識システムは、検索、レコメンデーション、エビデンスの選択、知識集約推論のために、エンティティの重要性の表現を必要とする。 本研究では,各実体がオーディエンス次元と構造的オーソリティ次元によって特徴づけられる解釈可能な二重信号表現を提案する。 その結果、観客の評価と構造的権威は非冗長な信号であり、自動的に重要性の単一の概念に分解するべきではないことがわかった。
  論文  参考訳（メタデータ） (2026-07-23T05:06:09Z)
• Learning Unified Distance Metric for Heterogeneous Attribute Data Clustering [60.05209293008078]
  クラスタ分析のための異種属性再構成と表現(HARR)学習パラダイム HarR はパラメータフリーで収束保証され、異なる要求されたクラスタ数 $k$ に対してより効果的に自己適応することができる。
  論文  参考訳（メタデータ） (2026-03-03T08:13:16Z)
• Bridging the Semantic Gap for Categorical Data Clustering via Large Language Models [64.58262227709842]
  ARISE(Attention-weighted Representation with Integrated Semantic Embeddings)が紹介される。 正確なクラスタリングのためにカテゴリデータのメトリック空間を補完するセマンティックアウェア表現を構築する。 8つのベンチマークデータセットの実験では、7つの代表的なデータセットよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-01-03T11:37:46Z)
• Seeing and Knowing in the Wild: Open-domain Visual Entity Recognition with Large-scale Knowledge Graphs via Contrastive Learning [17.580250180523752]
  オープンドメインのビジュアルエンティティ認識は、画像に描かれたエンティティを、広範に進化する現実世界の概念の集合に識別し、リンクすることを目的としている。 本稿では,画像とテキスト記述を共有意味空間に組み合わせた知識誘導型コントラスト学習フレームワークを提案する。 我々の実験は、視覚的、テキスト的、構造化された知識を用いることで、特に稀で目に見えないエンティティの精度が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2025-10-15T15:33:36Z)
• Responsible AI in NLP: GUS-Net Span-Level Bias Detection Dataset and Benchmark for Generalizations, Unfairness, and Stereotypes [6.30817290125825]
  本稿では、GUSデータセットとマルチラベルトークンレベル検出器を組み合わせたGUS-Net Frameworkを紹介し、社会バイアスのスパンレベル分析を行う。 GUSデータセットには、複数のドメインにまたがる3,739のユニークなスニペットが含まれ、69,000以上のトークンレベルのアノテーションが含まれている。 マルチラベルトークンレベルの分類としてバイアス検出を定式化し,エンコーダベースモデルとデコーダベース大規模言語モデルの両方をベンチマークする。
  論文  参考訳（メタデータ） (2024-10-10T21:51:22Z)
• BBScore: A Brownian Bridge Based Metric for Assessing Text Coherence [18.77248934443666]
  コヒーレントテキストは本質的に文間の連続的かつ密着的な相互作用を示す。 BBScore(英: BBScore)は、ブラウン橋理論において、テキストコヒーレンスを評価するための基準のない計量である。
  論文  参考訳（メタデータ） (2023-12-28T08:34:17Z)
• Fairness meets Cross-Domain Learning: a new perspective on Models and Metrics [80.07271410743806]
  クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。 いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。 本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
  論文  参考訳（メタデータ） (2023-03-25T09:34:05Z)
• Relational Proxies: Emergent Relationships as Fine-Grained Discriminators [52.17542855760418]
  本稿では,オブジェクトのグローバル部分とローカル部分の間の情報を利用してラベルを符号化する手法を提案する。 我々は、理論的な結果に基づいてプロキシを設計し、7つの挑戦的なきめ細かいベンチマークデータセットに基づいて評価する。 また、この理論を実験的に検証し、複数のベンチマークで一貫した結果を得る。
  論文  参考訳（メタデータ） (2022-10-05T11:08:04Z)
• Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
  加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。 この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
  論文  参考訳（メタデータ） (2022-03-16T15:00:33Z)
• On the Relation between Quality-Diversity Evaluation and Distribution-Fitting Goal in Text Generation [86.11292297348622]
  本研究では, 品質と多様性の線形結合が, 生成した分布と実分布との分岐距離を構成することを示す。 品質/多様性メトリックペアの代替としてCR/NRRを提案する。
  論文  参考訳（メタデータ） (2020-07-03T04:06:59Z)

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。