利用置信度增强的强化学习改进时序知识图谱上的少样本归纳学习
机器学习
2023-06-13 v2 人工智能
摘要
时序知识图谱补全（TKGC）旨在预测时序知识图谱（TKG）中实体之间缺失的链接。以往大多数 TKGC 方法仅考虑预测训练集中已出现实体之间的缺失链接，而在涉及新出现未见过实体的链接预测上无法取得良好性能。近来，一项新任务即 TKG 少样本图外（OOG）链接预测被提出，要求 TKGC 模型在仅含少样本观测样例的新出现实体上实现良好的链接预测性能。本文中，我们提出一种 TKGC 方法 FITCARL，将少样本学习与强化学习相结合以解决该任务。在 FITCARL 中，一个智能体遍历整个 TKG 以搜索预测答案。设计了一个策略网络基于已遍历路径引导搜索过程。为更好地解决少样本设定下的数据稀缺问题，我们引入一个模块计算各候选动作的置信度，并将其整合进策略以进行动作选择。我们还利用实体概念信息，通过一种新颖的概念正则化器来提升模型性能。实验结果表明，FITCARL 在 TKG 少样本 OOG 链接预测上达到了最先进的性能。
引用
@article{arxiv.2304.00613,
title = {Improving Few-Shot Inductive Learning on Temporal Knowledge Graphs using Confidence-Augmented Reinforcement Learning},
author = {Zifeng Ding and Jingpei Wu and Zongyue Li and Yunpu Ma and Volker Tresp},
journal= {arXiv preprint arXiv:2304.00613},
year = {2023}
}
备注
Accepted to ECML/PKDD 2023