本稿では、SemTabチャレンジにおけるカラムタイプアノテーション（CTA）およびカラムプロパティアノテーション（CPA）タスクに取り組むための革新的かつミニマルなアプローチ、DREIFLUSSを紹介する。DREIFLUSSは、DBpediaやSchema.orgといった広く確立された知識グラフから得られる意味情報を利用することで、アノテーションプロセスの効率性と精度を向上させている。実験結果により、DREIFLUSSを用いて訓練されたロジスティック回帰モデルが優れた性能を発揮し、正確なカラムタイプアノテーションおよび有意義な関係性予測が可能であることが示された。これらの結果は、モデル学習における適切なサンプリング手法の重要性を裏付け、テーブルマッチングの精度と効率を高める要因であることを示している。本研究は、テーブルマッチング技術の向上に向けた有望な道筋を示しており、データ統合および知識発見の実用的応用におけるDREIFLUSSの意義を強調している。