知识图谱嵌入的增广与调参
机器学习
2019-07-03 v1 人工智能
机器学习
摘要
知识图谱嵌入是知识图谱中链接预测（即补全不完整关系事实集合的任务）最成功的方法之一。这些模型的一个缺陷是对模型超参数（尤其是正则化项）高度敏感，必须广泛调参才能达到良好性能 [Kadlec et al., 2017]。我们通过在概率框架下解释这些模型，提出了一种大规模超参数调参的高效方法。在引入逐实体超参数的模型增广之后，我们使用变分期望最大化方法以极小的额外代价调优数千个此类超参数。我们的方法对模型细节无关，并在标准基准数据上取得了链接预测的新 SOTA。
引用
@article{arxiv.1907.01068,
title = {Augmenting and Tuning Knowledge Graph Embeddings},
author = {Robert Bamler and Farnood Salehi and Stephan Mandt},
journal= {arXiv preprint arXiv:1907.01068},
year = {2019}
}
备注
Published version, Conference on Uncertainty in Artificial Intelligence (UAI 2019)