.png){kind=icon}
返回
Hyperparameter-Free Bi-level Knowledge Graph Optimization for Link Prediction
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-04549-2_2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文探讨了双层级知识图谱面临的挑战与进展，该技术通过扩展传统基于三元组的表示来捕捉事实间的关系。尽管双层级知识图谱具有更强的表达能力，但其存在稀疏性问题，以及在数据增强模块中引入超参数导致的挑战，这些模块旨在丰富图谱结构。具体而言，控制增强数据规模及其损失权重的超参数τ和λ被经验性地设定，缺乏对不同数据集规模下最优值的充分探索。为解决此问题，我们提出一种方法，通过引入函数F(.)和G(.)消除冗余超参数，以确定增强数据的最优规模和损失权重。该方法利用KL散度确保增强数据集与原始数据集的对齐，并揭示了模型性能与损失权重之间的二次关系。我们在三个数据集上验证了该方法的有效性，结果表明，相比现有模型，其在三元组预测和条件链接预测任务上取得了显著提升。该策略不仅提升了模型性能，还减少了经验调优的依赖，从而构建出更高效、可扩展的知识图谱推理模型。
Keyword:
Knowledge graph
Parameter elimination
Link prediction
期刊
A
IF:
0
论文数:
24
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏scDFC: A deep fusion clustering method for single-cell RNA-seq datascDFC: 一种单细胞rna-seq数据的深度融合聚类方法
PREAI
分享收藏Transformer-based Reasoning for Learning Evolutionary Chain of Events on Temporal Knowledge Graph
OAAI
OAAI分享收藏
查看更多内容