Novo artigo da Cátedra CAMELIA publicado en Information Fusion sobre a interoperabilidade de datos con MILA
María Taboada, investigadora da Cátedra CAMELIA USC–Plexus de IA aplicada á Medicina publica un novo artigo en acceso aberto en Information Fusion (Elsevier), no que se presenta MILA, un enfoque innovador para o ontology matching orientado a mellorar a interoperabilidade de datos e o intercambio de coñecemento.
O OntologyMatching desempeña un papel clave na integración de fontes de información heteroxéneas, un reto especialmente relevante en ámbitos como a saúde, onde a interoperabilidade semántica resulta fundamental. Porén, os enfoques baseados en grandes modelos de linguaxe (LLM) adoitan enfrontarse a elevados custos computacionais e a limitacións de rendemento.
Para superar estes desafíos, o equipo investigador conformado por María Taboada, Diego Martínez, Mohammed Arideh e Rosa Mosquera desenvolveu MILA, unha metodoloxía que combina un pipeline retrieve–identify–prompt cunha estratexia de busca en profundidade priorizada (prioritized depth-first search). Esta arquitectura permite descubrir correspondencias semánticas de forma eficiente, minimizando o número de solicitudes a modelos LLM e reducindo significativamente o tempo de execución.
O sistema foi avaliado en tres retos da edición 2024 da Ontology Alignment Evaluation Initiative, onde acadou a mellor puntuación F-Measure en cinco das sete tarefas non supervisadas, superando a sistemas de referencia ata nun 17% e mantendo unha alta estabilidade en distintos escenarios e configuracións.
Ao integrar estratexias de busca programadas, embeddings aprendidos e heurísticas baseadas en prompting, MILA logra un alto rendemento no aliñamento de ontoloxías sen necesidade de heurísticas específicas de dominio nin procesos de fine-tuning, consolidándose como unha solución robusta e escalable para contornos complexos.
Acceso ao artigo completo neste enlace.
O OntologyMatching desempeña un papel clave na integración de fontes de información heteroxéneas, un reto especialmente relevante en ámbitos como a saúde, onde a interoperabilidade semántica resulta fundamental. Porén, os enfoques baseados en grandes modelos de linguaxe (LLM) adoitan enfrontarse a elevados custos computacionais e a limitacións de rendemento.
Para superar estes desafíos, o equipo investigador conformado por María Taboada, Diego Martínez, Mohammed Arideh e Rosa Mosquera desenvolveu MILA, unha metodoloxía que combina un pipeline retrieve–identify–prompt cunha estratexia de busca en profundidade priorizada (prioritized depth-first search). Esta arquitectura permite descubrir correspondencias semánticas de forma eficiente, minimizando o número de solicitudes a modelos LLM e reducindo significativamente o tempo de execución.
O sistema foi avaliado en tres retos da edición 2024 da Ontology Alignment Evaluation Initiative, onde acadou a mellor puntuación F-Measure en cinco das sete tarefas non supervisadas, superando a sistemas de referencia ata nun 17% e mantendo unha alta estabilidade en distintos escenarios e configuracións.
Ao integrar estratexias de busca programadas, embeddings aprendidos e heurísticas baseadas en prompting, MILA logra un alto rendemento no aliñamento de ontoloxías sen necesidade de heurísticas específicas de dominio nin procesos de fine-tuning, consolidándose como unha solución robusta e escalable para contornos complexos.
Acceso ao artigo completo neste enlace.