一种概率化的知识翻译方法
人工智能
2015-07-14 v1
摘要
本文聚焦于一种新颖的知识复用场景，其中源模式中的知识需要被翻译到语义异构的目标模式。我们将此任务称为“知识翻译”（KT）。与数据翻译和迁移学习不同，KT 不需要来自源模式或目标模式的任何数据。我们采用概率化方法进行 KT，将源模式中的知识、源模式与目标模式之间的映射以及目标模式中生成的知识均表示为概率分布，特别使用马尔可夫随机场和马尔可夫逻辑网络。给定源知识和映射，我们使用概率图模型的标准学习与推理算法，在目标模式中寻找一个显式概率分布，使其与隐式分布之间的 Kullback-Leibler 散度最小化。这为我们提供了一个紧凑的概率模型，该模型尽可能好地表示来自源模式的知识，同时尊重源知识和映射中的不确定性。在命题域和关系域的实验中，我们发现通过 KT 获得的知识与其他需要数据的方法相当，证明了知识可以在没有数据的情况下被复用。
引用
@article{arxiv.1507.03181,
title = {A Probabilistic Approach to Knowledge Translation},
author = {Shangpu Jiang and Daniel Lowd and Dejing Dou},
journal= {arXiv preprint arXiv:1507.03181},
year = {2015}
}