エンティティアライメントにおいてネガティブサンプルは本当に必要か？ 高性能・スケーラビリティ・ロバスト性を兼ね備えたアプローチ

エンティティアライメント（EA）は、異なる知識グラフ（KG）における等価なエンティティを特定することを目的としており、複数のKGを統合する上で不可欠なステップである。しかし、既存のEA手法の多くはスケーラビリティに欠け、大規模なデータセットに対応できないという課題を抱えている。本研究では、既存のEA手法における高い時間・空間計算量を引き起こす主な要因を以下の3点に要約する：（1）非効率なグラフエンコーダ、（2）ネガティブサンプリングのジレンマ、（3）半教師あり学習における「カタストロフィックフォーゲット」現象。これらの課題に対処するため、高いパフォーマンス、高いスケーラビリティ、高いロバスト性（PSR）を実現するための新しいEA手法を提案する。本手法には以下の3つの新規構成要素が含まれる：（1）関係性グラフサンプリングを用いた簡略化されたグラフエンコーダ、（2）対称的でネガティブサンプリングを不要とするアライメント損失関数、（3）インクリメンタルな半教師あり学習機構。さらに、複数の公開データセットを用いた詳細な実験を通じて、提案手法の有効性と効率性を検証した。実験結果から、PSRは従来の最先端（SOTA）手法を上回る性能を発揮するとともに、優れたスケーラビリティとロバスト性を示した。