Alapfogalmak
실시간 데이터 스트림에서 새로운 관계 유형을 지속적으로 발견하고 지식 그래프의 완성도를 높이는 방법을 개발한다.
Kivonat
이 논문은 실시간 데이터 스트림에서 지속적인 관계 추출 방법을 개발하여 지식 그래프의 완성도를 높이는 것을 목표로 한다.
주요 내용은 다음과 같다:
기존의 관계 추출 방법은 고정된 데이터 세트에서 한 번 실행되므로, 실시간 데이터 스트림에서 새로운 관계 유형을 지속적으로 발견하기 어렵다. 이 문제를 해결하기 위해 지속적 학습 기반의 관계 추출 방법을 개발한다.
지속적 학습을 통해 이전 작업에서 학습한 지식을 다음 작업에 전달하여 지식 그래프의 완성도를 높인다. 이를 위해 신경생성 및 메모리 재생 기법을 활용한다.
약한 감독 학습 기반의 관계 추출 방법에서 발생하는 패턴 drift 문제를 해결하기 위해 지식 그래프 및 범주 임베딩을 활용한 규칙 학습 방법을 적용한다.
마지막으로 기계 학습 기반 관계 추출 방법의 설명 가능성과 해석 가능성을 높이는 방법을 개발한다.
이 연구는 코로나 관련 뉴스 데이터를 대상으로 진행되며, 지속적 관계 추출 방법의 성능을 다양한 평가 지표를 통해 검증할 예정이다.
Statisztikák
실시간 데이터 스트림에서 새로운 관계 유형을 지속적으로 발견하는 것이 기존 방법의 한계이다.
지식 그래프의 완성도 향상을 위해 이전 작업에서 학습한 지식을 다음 작업에 전달하는 것이 중요하다.
약한 감독 학습 기반 관계 추출 방법에서 발생하는 패턴 drift 문제를 해결해야 한다.
기계 학습 기반 관계 추출 방법의 설명 가능성과 해석 가능성을 높여야 한다.
Idézetek
"실시간 데이터 스트림에서 새로운 관계 유형을 지속적으로 발견하는 것이 기존 방법의 한계이다."
"지식 그래프의 완성도 향상을 위해 이전 작업에서 학습한 지식을 다음 작업에 전달하는 것이 중요하다."
"약한 감독 학습 기반 관계 추출 방법에서 발생하는 패턴 drift 문제를 해결해야 한다."
"기계 학습 기반 관계 추출 방법의 설명 가능성과 해석 가능성을 높여야 한다."