Hamed Babaei Giglou氏らの研究者グループは2026年8月31日(現地時間)、「OntoAligner-Ensemble」と題する論文をarXiv cs.AIに投稿した。本研究は、語彙的、構造的アライナーから知識グラフ埋め込み（KGE）モデル、大規模言語モデル（LLM）ベースのアプローチまで、多様なオントロジーアライメント（OA）手法の予測を融合する新たなフレームワークを提案している。評価では、アンサンブル融合が一貫して精度と再現率のバランスを改善し、スタンドアロンのアライナーを上回る結果を示した。
Ontology alignment (OA)は、複数の手法パラダイムを経て進化している。現代のOAフレームワークは、これら異種アライナーを展開するための統合されたエコシステムを提供するものの、それらの補完的で時には矛盾する予測を体系的に調整するメカニズムは十分に探求されていなかった。
OntoAligner-Ensembleは、モジュール式でアライナーに依存しないフレームワークである。これは、投票ベースの融合戦略と融合後の選択ポリシーからなる、設定可能な2段階プロセスを通じて候補対応を結合する。このフレームワークは、「OntoAligner」内で実装された、候補対応を生成するあらゆるアライナーをサポートし、多様なアライメントパラダイムを統一された意思決定プロセスを通じて統合することを可能にする。
研究チームは、その有効性を実証するため、代表的な軽量ストリングアライナー、KGEベースのアライナー、およびオープンウェイトとAPIベースのLLMを搭載したRetrieval-Augmented Generationアライナーを用いてフレームワークを具現化した。これらの個々のアライナーとアンサンブル構成を、生医学からbeyond-equivalenceまでの5つのOAEIトラックにわたる8つのベンチマークタスクで評価した。
評価結果によると、アンサンブル融合は一貫してprecisionとrecallのバランスを改善し、多様なドメインでスタンドアロンのアライナーを頻繁に上回ることが確認された。また、アンサンブル構成がprecision-recallトレードオフに直接影響することも分析で明らかになった。特に、異種クロスパラダイムアンサンブルは一般的にprecisionを改善し、同種LLMアンサンブルはより高い総合F1スコアを達成した。
これらの発見は、体系的なアンサンブル学習がOAに対する堅牢で再現可能な戦略を提供することを示している。さらに、異なるアライメントシナリオにおけるアンサンブル構成選択の実践的な指針も提供する。
参考: arXiv cs.AI (アーカイブ) — 2026年9月1日 02:44 (JST)
原文ハイライト"OntoAligner-Ensemble, a modular and aligner-agnostic framework that combines candidate correspondences"