利用众包评估自然度预测ConceptNet路径质量
本文介绍了一种与现代NLP技术(如单词嵌入)特别匹配的概念网路资源ConceptNet的新版本,它能够连接自然语言,改善它对单词意义的理解,同时对单词嵌入提供理解和应用,从而提高自然语言应用程序的性能。
Dec, 2016
LEAP是一种基于图的训练性通用框架,它利用局部结构、拓扑和标签等信息预测边的存在和属性,它可应用于各种问题,例如链接和用户评分预测。通过在多个大型数据集上的实验,证明了它至少与当前最先进的方法(如SEAL和WLNM)相当,能够匹配或超过特定边预测问题的方法的性能。
Mar, 2019
本文介绍了一种新的路径模式表示方法——专注路径排序,以及一种利用类型层次结构的实体从数据中发现新路径模式的RNN模型,并在 WN18RR 和 FB15k-237 数据集上展示了比现有方法更好的事实预测任务表现。
May, 2019
本研究在知识蒸馏中不同于先前方法,提出了跨层连接路径的重要性,通过新的重审机制设计了嵌套紧凑的框架,极大地提高了学生网络的性能,在分类、目标检测和实例分割等任务中均获得了显著的成果。
Apr, 2021
使用AI技术构建基于真实世界数据的Science4Cast基准测试,并提出十种不同的方法来预测人工智能研究的未来研究方向,最终目的是为了更先进的研究建议工具。
Sep, 2022
本文介绍了“Abstract and Reasoning Corpus”(ARC)的实验评估平台“ConceptARC”,它具有系统评估抽象和泛化能力的基本空间和语义概念,使用该平台作为基准测试,我们测试了三种AI求解器和人类的表现,结果表明人类显着优于机器系统,并为AI系统的概念抽象发展和有效评估提供了激励。
May, 2023
通过对两个论证质量分类任务(论证具体性和结论的有效性/新颖性)的研究,我们发现推荐系统架构相对于多数标签模型能使得个体标注者的F1得分提高高达43%,这表明在处理主观性时,与个体观点相关的方法是可行的。
Nov, 2023
我们在这篇论文中对知识图谱完成方法的标准评估协议进行了全面的分析,发现了采用随机抽样评估链接预测或建议方法的严重局限性,并提出了一种使用关系推荐器指导评估候选对象选择的框架,通过有效的预处理和抽样方法,可以在大大减少计算时间的同时,可靠地预测整个排序过程的实际性能。
Jan, 2024