Apr, 2023

利用置信度增强强化学习改善时间知识图上的少样本归纳学习

PDF
TL;DRFITCARL 是一种结合了少样本学习和强化学习的 TKGC 方法，通过引入候选动作的置信度计算模块和实体概念信息正则化器提高了在 TKG 新出现实体预测方面的表现。
temporal knowledge graph completionfew-shot learningreinforcement learninglink predictionentity concept information
发现论文，激发创造
  • 利用概念感知信息在时间知识图上进行小样本归纳学习

    该研究提出了一种用于预测时间知识图谱中未出现实体链接的新方法，其中利用元学习和新构建的数据集来实现对未见实体的归纳学习，在此基础上提出了概念感知模型来提高模型比较性能。

    Nov, 2022

  • TimeTraveler: 针对时间知识图谱预测的增强学习

    本文提出了一种基于强化学习的方法来进行时态知识图推理，该方法解决了建模未来时间信息以及处理先前未见实体的归纳推理的问题，通过在历史知识图上搜索答案，设计了相对时间编码函数以及基于 Dirichlet 分布的时间 - shaped 奖励机制，并提出了一种新颖的表示方法来提高模型的归纳推理能力，在四个基准数据集上获得了较大的性能改进。

    Sep, 2021

  • 学习一次关系的元表示，用于时态知识图谱链接预测

    本文提出一种针对时间知识图谱的 few-shot learning 模型，通过时间关系建模，实现了在单样本情况下，对时间知识图谱进行关系预测

    May, 2022

  • 学习采样与聚合：少样本推理时间知识图谱

    本文研究少样本时间知识图谱推理问题，提出了 MetaTKGR 框架，通过时间监督信号对未来事实进行快速反馈，动态调整采样策略，并提供时间适应正则化器来稳定元时间推理。 在三个真实世界的时间知识图上进行的大量实验证明了 MetaTKGR 相对于最先进的基线模型的卓越性能。

    Oct, 2022

  • 时间知识图谱补全：综述

    本研究首次总结了时间知识图补全方法的研究进展，包括背景、基准数据集、评估指标以及现有方法，旨在解决静态知识图补全方法的不准确问题。未来的研究方向也在文章中提出。

    Jan, 2022

  • 少样本知识图谱补全

    本论文提出了一个新的模型，即 FSRL 模型，在少量有参考的情况下学习新关系，可以更有效地从异构图结构中获取知识，并匹配每个关系的参考集中的相似实体对。实验结果表明，该模型优于现有的最先进的模型。

    Nov, 2019

  • 基于演化表征学习的时间知识图谱推理

    本文提出了一种基于递归演化网络的图卷积网络 (RE-GCN) 的模型，以有效地模拟序列的历史事实，捕捉结构依赖性和时间上邻近事实的时序模式，并根据历史的 KG 序列自回归地建模并一并捕获所有事实的时序模式，从而显著提高了六个基准数据集上的时间推理任务的性能和效率。

    Apr, 2021

  • 基于关系图神经网络的不确定性感知的少样本知识图谱补全

    通过利用高斯分布对有限数据进行建模，我们提出了一种新颖的不确定性感知少样本知识图完成框架（UFKGC），该框架能更好地理解有限数据并提高鲁棒性，实验证明与竞争对手相比，在两个基准数据集上取得了出色的性能。

    Mar, 2024

  • 基于门控与注意力邻居聚合器的关系学习，用于少样本知识图谱完成

    本文提出了一个使用全局 - 局部框架的少样本关系学习方法，在全局阶段中，引入了一种新颖的门控和注意力邻居聚合器用于准确地集成少样本关系邻居的语义信息，并在局部阶段中使用基于元学习的 TransH 方法来模拟和推断复杂的关系，实验证明该模型在常用基准数据集 NELL-One 和 Wiki-One 上比最先进的 FKGC 方法表现更好，具有更好的 5-shot FKGC 性能。

    Apr, 2021

  • 为少样本知识图谱补全学习关系特定表示

    本文提出了一种关系特定的上下文学习框架，通过提取图上的上下文信息和设计分层注意力网络和注意力池化器，可以全局和局部地学习表示来进行 FKGC 任务，实验结果证明了其优于现有的方法。

    Mar, 2022