抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
異なる知識グラフ(KG)の中の等価エンティティを同定する目的で,エンティティアラインメントは,WebスケールKGを構築するための基本的問題である。その開発の過程で,ラベル監視は正確なアラインメントに必要であると考えられている。自己監督学習の最近の進歩に触発されて,著者らは,エンティティアラインメントのための監督を取り除くことができる程度を調査する。共通して,ラベル情報(陽性エンティティ対)を用いて,各正対で整列エンティティを引っ張るプロセスを超視した。しかしながら,著者らの理論解析は,エンティティアラインメントの学習が,ラベル付けされたポジティブペアを閉じるよりも,互いに遠く離れた非ラベルの負対を押し出すことより,実際に利益を得ることができることを示唆する。この発見を利用して,エンティティアラインメントのための自己監督学習目標を開発した。ラベル監視なしにエンティティを整列させるためのこの目的を最適化するための効率的な戦略を有する自己KGを提示した。ベンチマークデータセットに関する広範な実験は,監視のない自己KGが,最先端の教師つきベースラインと同等な結果を整合または達成できることを示した。自己KGの性能は,自己監督学習がKGにおけるエンティティアラインメントのための大きな可能性を提供することを示唆する。コードとデータはhttps://github.com/THUDM/SelfKGで利用可能である。【JST・京大機械翻訳】