Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Cet article souligne que la dépendance des méthodes d'inférence de graphes de connaissances existantes à l'hypothèse IID entraîne une dégradation des performances et des problèmes de fiabilité en raison de biais de sélection d'échantillons inconnus lors de l'apprentissage ou de changements de distribution lors des tests. Pour résoudre ces problèmes, nous étudions l'apprentissage de règles logiques à partir de graphes de connaissances présentant un biais de sélection inconnu et définissons un nouveau problème appelé inférence de graphes de connaissances hors distribution (OOD). Dans cet article, nous proposons un cadre StableRule qui intègre la décorrélation de caractéristiques et les réseaux d'apprentissage de règles afin d'améliorer les performances de généralisation dans les situations OOD. Grâce à des expériences sur sept graphes de connaissances de référence, nous démontrons la supériorité et la stabilité de StableRule dans divers environnements.
Takeaways, Limitations_
•
Takeaways:
◦
Nous définissons formellement et proposons une solution au problème d'inférence de graphe de connaissances avec des problèmes de biais de sélection inconnus et de variation distributionnelle.
◦
Proposer un framework StableRule pour améliorer les performances de généralisation OOD en tirant parti de la décorrélation des fonctionnalités.
◦
Nous démontrons la supériorité et la praticité de StableRule à travers des expériences sur divers graphes de connaissances.
◦
Contribue à améliorer la fiabilité des systèmes d'inférence de graphes de connaissances dans des environnements réels.
•
Limitations:
◦
Les performances du cadre proposé peuvent dépendre de l’ensemble de données de référence utilisé.
◦
Des expériences supplémentaires sur des ensembles de données du monde réel plus diversifiés et plus complexes sont nécessaires.
◦
Il peut y avoir un manque d’analyse théorique sur l’efficacité de la décorrélation des caractéristiques.
◦
Peut être efficace uniquement contre certains types de biais de sélection ou de changements de distribution.