A*Net: 一种适用于知识图谱的可扩展基于路径推理方法
本文提出了一种基于强化学习的多跳关系路径学习框架,利用知识图谱嵌入、采样方式和奖励函数提高路径推理的精度、多样性和效率,并在 Freebase 和 Never-Ending Language Learning 数据集上展示了其优异性能。
Jul, 2017
该研究提出了一种基于知识图谱的语义推理框架,以解决常识性问题,并通过引入 KagNet 模型和 ConceptNet 外部资源,取得了在常识 QA 数据集上的最佳表现。
Sep, 2019
通过引入显式的知识图谱可以改善问答系统,本研究提出了一种基于实体节点定位、剪枝和推理的流程以提高图推理的效率,并采用图注意力网络进行子图数据的推理。在 CommonsenseQA 和 OpenBookQA 上的实验结果证明了方法的有效性。
Jan, 2024
本论文探讨了一种简单的方法,使用知识库完成模型(KBC)和学习的嵌入向量,自动构建和排序源实体和目标实体对之间的路径。我们使用获取的生物医学科学文献挖掘了一个知识图,并提取了一组高频路径用于验证。实验结果表明,我们的方法能够有效地排列实体对之间的已知路径,并提出了未在知识图中存在的合理路径。对于给定的实体对,我们能够在排名前 10 的路径中 60% 的时间内重构出排名最高的路径,并达到 49%的平均精度。由于任何能够产生实体向量表示的 KBC 模型都可以使用,因此我们的方法具有组合性
Nov, 2019
PathNet 是一个神经网络算法,利用嵌入到神经网络中的代理,其任务是发现用于新任务的网络哪些部分可以重新使用以允许参数重用,以防止灾难性遗忘。我们证明了它在二进制 MNIST,CIFAR 和 SVHN 监督学习分类任务和一组 Atari 和 Labyrinth 强化学习任务上具有广泛适用性。
Jan, 2017
本文利用神经演算法推导出高效的启发式路径搜索算法,结合 Dijkstra 算法和 A * 算法中的一致的启发函数,并将其推广应用于图形中的路径搜索问题,结果表明相较于 Dijkstra 算法,应用基于学习到的 A * 算法中的启发函数的改进搜索在无损质量的情况下,实现了大幅的速度提升。
Apr, 2022
本文提出了一种新颖的神经元 A * 算法,它是一种基于数据的搜索路径规划方法,通过将搜索算法经过改进后与卷积编码器相耦合,可以形成一个端到端训练的神经网络规划器。通过提供专家提供正确路径,通过学习与地面实况路径匹配,神经元 A * 可以精确高效地产生与实际路径一致的路径。实验证明,与最先进的基于数据驱动的规划器相比,神经元 A * 在搜索效率与最优性之间的权衡方面表现更好。此外,神经元 A * 成功地在自然图像输入上执行了基于搜索的人类运动预测。
Sep, 2020
为训练图神经网络中的知识图嵌入模型提供可扩展解决方案,其中算法策略包括独立分区、基于约束的负样本采样和边缘小批量训练,以避免跨分区数据传输,具有 16 倍的加速效果,而模型性能与非分布式方法相当。
Jan, 2022
提出了一种基于成熟基础架构的可扩展、容错和集成训练和推理的 AGL 系统,采用图传递机制和 MapReduce 算法来训练和推理图神经网络,同时通过生成每个节点的信息完整子图以及在参数服务器上训练来解决图形结构中的数据依赖性问题。
Mar, 2020