Główne pojęcia
에너지 구배 흐름을 활용하여 개체 임베딩을 재구성함으로써 그래프 동질성을 극대화하는 일반적이고 효율적인 개체 정렬 디코딩 방법을 제안한다.
Streszczenie
이 논문은 개체 정렬(EA)을 위한 새로운 디코딩 접근법인 Triple Feature Propagation(TFP)을 소개한다. 기존 EA 방법은 그래프 인코더 개선에 초점을 맞추었지만, 디코딩 과정은 간과되어 왔다. TFP는 개체 임베딩만을 활용하여 디코딩을 수행한다.
TFP는 전통적인 인접 행렬을 개체-개체, 개체-관계, 관계-개체, 관계-트리플의 다중 뷰 행렬로 일반화한다. 이를 통해 지식 그래프의 구조 정보를 포괄적으로 활용할 수 있다. TFP는 디리클레 에너지를 최소화하는 구배 흐름을 통해 개체 임베딩을 재구성하여 그래프 동질성을 극대화한다.
실험 결과, TFP는 다양한 인코더 모델에 적용되어 성능 향상을 달성했으며, 계산 시간도 6초 미만으로 매우 효율적이다. 또한 텍스트 기반 EA 방법과 비교해서도 우수한 성능을 보였다.
Statystyki
지식 그래프 G는 개체 E, 관계 R, 트리플 T로 구성된다.
개체 정렬은 소스 그래프 Gs와 타겟 그래프 Gt 간 개체 간 일대일 매핑 Φ를 찾는 것이다.
그래프 동질성은 연결된 노드들이 같은 레이블을 가질 확률로 정의된다.
Cytaty
"Entity alignment (EA), a pivotal process in integrating multi-source Knowledge Graphs (KGs), seeks to identify equivalent entity pairs across these graphs."
"Most existing approaches regard EA as a graph representation learning task, concentrating on enhancing graph encoders."
"To address this gap, we introduce a novel, generalized, and efficient decoding approach for EA, relying solely on entity embeddings."