该研究提出了一种用于在长时间内不断学习机器人环境并增量式更新其内部知识图谱表示的架构,采用知识图谱嵌入技术对获取的信息进行泛化,通过一系列增量学习会话来评估机器人从未知上下文中学习实体和关系的能力。
Jan, 2023
该研究使用决策树分类器解释学习的黑盒知识图谱表示,提供自然语言解释以帮助非专家解决机器人行为问题,结果表明该框架提供了对知识图谱对机器人决策的影响的解释和校正。
May, 2022
本研究提出了一种基于能量的图嵌入算法来描述工业自动化系统,学习多个领域的知识,从而可以进行上下文感知预测和评估异常严重性,该模型可以应用于机器学习和神经形态计算等领域。
Oct, 2021
本文主要介绍了知识图谱及其嵌入方法,并回顾了最近发展的一些基于随机游走的嵌入方法。
Jun, 2024
本研究提出了一个新型知识图谱嵌入模型,实现快速学习和传输新的知识。通过使用掩码知识图自编码器进行嵌入学习和更新,并采用嵌入传输策略和嵌入规则化方法,避免灾难性遗忘。实验证明,该模型在生命周期嵌入与归纳嵌入方面表现优于现有模型。
Nov, 2022
我们结合了持续学习、语义推理和交互式机器学习的思想,并通过人机交互开发了一种新型的交互式持续学习架构,用于在家庭环境中不断学习语义知识。我们将该架构与一个物理移动机器人集成,并在实验室环境中进行了两个月的广泛系统评估。结果表明,我们的架构能够使物理机器人能够根据用户提供的有限数据不断适应环境的变化,并利用所学知识执行物体获取任务。
Mar, 2024
该论文介绍了知识图谱嵌入在推荐系统、查询扩展和实体嵌入等领域的应用,并探讨了包括基于结构信息、文本信息和图像信息的 KG 嵌入模型。
Jul, 2021
研究提出了一种基于分解的连续图表示学习框架 (DiCGRL),可以有效地减轻连续学习中的灾难性遗忘问题并超越现有的连续学习模型。
Oct, 2020
该研究提出了一个利用少量标记示例来扩展以前学习概念的计算模型,该模型基于 Parallel Distributed Processing 和 Complementary Learning Systems 理论,使用嵌入空间将新概念与以前学习的概念联系起来,并通过生成分布来解决灾难性遗忘问题。
Jun, 2019
本研究开发了一种结合符号逻辑和神经网络自动生成生物学知识图谱节点的向量嵌入方法,用于生物知识图谱的边预测,并实现了优于人工特征方法的表现,该方法可应用于任何生物知识图谱中,并开放性的提供了生物领域中基于语义 Web 技术的知识库的机器学习和数据分析。
Dec, 2016