思考連鎖を活用して、関連知識を段階的に要約することで、質問に合わせた包括的で意味的に整合性のある知識表現を生成する。
MUSE は、事前知識学習、コンテキストメッセージ伝達、関係パス集約の3つの並列コンポーネントを通じて、エンティティの意味表現を強化し、欠落した関係を正確に予測する。
知識グラフを活用し、注意メカニズムを導入することで、より効率的な推薦モデルを提案する。
SHADOWは、連想推論的推論を使って中間タスクで微調整された言語モデルであり、ウィキデータのトリプル補完タスクでベースラインソリューションを20%上回るパフォーマンスを示す。
専門分野における知識サービスの精度と論理性を向上させるため、大規模言語モデルと知識グラフを双方向に強化する技術フレームワークを提案する。
大規模言語モデルと graph マイニング手法を組み合わせることで、ウィキデータの分類体系の曖昧性、不整合性、冗長性、複雑性などの問題を自動的に解決し、より簡潔で一貫性のある分類体系を生成する。
知識グラフを活用することで、ニューラルネットワークの推論能力と解釈可能性を向上させ、シンボリックシステムの完全性と正確性を改善することができる。また、ニューラルネットワークとシンボリックシステムを統合することで、より賢明で信頼性の高いAIシステムを構築できる。
物理的な因果関係を知識グラフの予測タスクを用いて発見する新しいアプローチ CausalDisco を提案する。
知識グラフを用いて交通参加者、道路トポロジー、交通標識などの関係性を表現し、複数の注意機構を用いて正確な軌道予測を行う。
知識グラフの情報を活用することで、推薦の多様性を高めつつ、推薦精度も維持することができる。