दैनिक अर्क्सिव

यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है।
यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है।
पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।

अज्ञेय वितरण शिफ्ट के तहत ज्ञान ग्राफ तर्क के लिए नियम सीखना

Created by
  • Haebom

लेखक

शिक्सुआन लियू, यू हे, युनफेई वांग, हाओ ज़ू, हाओक्सियांग चेंग, वेन्जिंग यांग, पेंग कुई, झोंग लियू

रूपरेखा

यह शोधपत्र बताता है कि मौजूदा ज्ञान ग्राफ अनुमान विधियों की IID धारणा पर निर्भरता, प्रशिक्षण के दौरान अज्ञात नमूना चयन पूर्वाग्रह या परीक्षण के दौरान वितरण परिवर्तनों के कारण प्रदर्शन में गिरावट और विश्वसनीयता संबंधी समस्याओं का कारण बनती है। इन समस्याओं के समाधान के लिए, हम अज्ञात चयन पूर्वाग्रह वाले ज्ञान ग्राफ से तार्किक नियमों को सीखने का अध्ययन करते हैं, और आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) ज्ञान ग्राफ अनुमान नामक एक नई समस्या को परिभाषित करते हैं। इस शोधपत्र में, हम एक स्टेबलरूल ढाँचा प्रस्तावित करते हैं जो OOD स्थितियों में सामान्यीकरण प्रदर्शन को बेहतर बनाने के लिए फ़ीचर डी-सहसंबंध और नियम अधिगम नेटवर्क को एकीकृत करता है। सात बेंचमार्क ज्ञान ग्राफों पर प्रयोगों के माध्यम से, हम विभिन्न वातावरणों में स्टेबलरूल की श्रेष्ठता और स्थिरता को प्रदर्शित करते हैं।

Takeaways, Limitations

Takeaways:
हम अज्ञात चयन पूर्वाग्रह और वितरण भिन्नता समस्याओं के साथ ज्ञान ग्राफ अनुमान समस्या के लिए औपचारिक रूप से परिभाषित और समाधान प्रस्तावित करते हैं।
फीचर डी-सहसंबंध का लाभ उठाकर OOD सामान्यीकरण प्रदर्शन में सुधार करने के लिए एक स्टेबलरूल फ्रेमवर्क का प्रस्ताव।
हम विभिन्न ज्ञान ग्राफों पर प्रयोगों के माध्यम से स्टेबलरूल की श्रेष्ठता और व्यावहारिकता का प्रदर्शन करते हैं।
वास्तविक वातावरण में ज्ञान ग्राफ अनुमान प्रणालियों की विश्वसनीयता में सुधार करने में योगदान देता है।
Limitations:
प्रस्तावित ढांचे का प्रदर्शन प्रयुक्त बेंचमार्क डेटासेट पर निर्भर हो सकता है।
अधिक विविध और जटिल वास्तविक दुनिया डेटासेट पर अतिरिक्त प्रयोगों की आवश्यकता है।
विशेषता विसहसंबंध की प्रभावशीलता पर सैद्धांतिक विश्लेषण का अभाव हो सकता है।
यह केवल कुछ प्रकार के चयन पूर्वाग्रह या वितरणात्मक बदलावों के विरुद्ध ही प्रभावी हो सकता है।
👍