基于张量分解的知识图谱补全的对偶诱导正则化器
机器学习
2021-05-05 v2
摘要
基于张量分解的模型在知识图谱补全（KGC）中展现出强大能力。然而，其性能常严重受困于过拟合问题。这催生了多种正则化器——如平方 Frobenius 范数与张量核范数正则化器——但其有限的适用性显著限制了实际使用。为应对该挑战，我们提出一种新型正则化器——即对偶诱导正则化器（DUality-induced RegulArizer, DURA）——其不仅能有效提升现有模型性能，且广泛适用于各类方法。DURA 的主要新颖性基于如下观察：对于一个已有的基于张量分解的 KGC 模型（原模型），常存在另一个与之紧密关联的基于距离的 KGC 模型（对偶模型）。实验表明 DURA 在基准上带来一致且显著的提升。
引用
@article{arxiv.2011.05816,
title = {Duality-Induced Regularizer for Tensor Factorization Based Knowledge Graph Completion},
author = {Zhanqiu Zhang and Jianyu Cai and Jie Wang},
journal= {arXiv preprint arXiv:2011.05816},
year = {2021}
}
备注
Accepted to NeurIPS 2020