本研究では、知識グラフ埋め込み(KGE)のための新しいカリキュラム学習フレームワークCL4KGEを提案した。
まず、知識グラフ内の三つ組(ヘッド、関係、テール)の難易度を測る新しい指標Z-countsを定義した。Z-countsは、ある二つのエンティティ間に存在する「Z字型」のパスの数を表す。理論的な分析から、Z-countsが大きい三つ組ほど、KGEモデルがその三つ組を正しく予測する可能性が高いことが示された。
次に、Z-countsに基づいたカリキュラム学習フレームワークCL4KGEを提案した。CL4KGEは、難易度の低い三つ組から順に学習を進めていく手法である。具体的には、Z-countsに基づいて三つ組を難易度の昇順にソートし、徐々に難易度の高い三つ組を学習に取り入れていく。
提案手法CL4KGEを、様々な既存のKGEモデルに適用した実験を行った。その結果、CL4KGEを適用することで、リンク予測やエンティティ分類などの課題において、既存手法の性能が大幅に向上することが示された。特に、難易度の高い三つ組の学習が改善されたことが、全体的な性能向上につながったと考えられる。
以上より、本研究で提案したCL4KGEは、知識グラフ埋め込みの性能を大幅に向上させることができる有効な手法であると結論付けられる。
Til et andet sprog
fra kildeindhold
arxiv.org
Vigtigste indsigter udtrukket fra
by Yang Liu, Ch... kl. arxiv.org 09-10-2024
https://arxiv.org/pdf/2408.14840.pdfDybere Forespørgsler