基于自训练的噪声正无标记学习用于推测性知识图谱推理
机器学习
2023-06-14 v1 人工智能
计算与语言
社会与信息网络
摘要
本文研究真实世界知识图谱（KG）上的推测性推理任务，此类知识图谱同时包含假阴性问题（即潜在真实事实被排除）和假阳性问题（即不可靠或过期事实被纳入）。现有最优方法在推测性推理能力上存在不足，因为它们假设事实的正确性仅由其是否在 KG 中呈现来决定，从而易受假阴性/阳性问题影响。该新推理任务被形式化为一个噪声正无标记（noisy Positive-Unlabeled）学习问题。我们提出一种变分框架，即 nPUGraph，它联合估计已收集和未收集事实的正确性（我们称之为标签后验）并在训练过程中更新模型参数。标签后验估计从两个角度促进推测性推理。首先，它提升了标签后验感知图编码器对假阳性连接的鲁棒性。其次，它识别缺失事实以提供高质量的推理依据。二者统一于一个简单而有效的自训练流程中。实证上，在三个基准 KG 和一个具有不同程度假阴性/阳性案例的 Twitter 数据集上的大量实验证明了 nPUGraph 的有效性。
引用
@article{arxiv.2306.07512,
title = {Noisy Positive-Unlabeled Learning with Self-Training for Speculative Knowledge Graph Reasoning},
author = {Ruijie Wang and Baoyu Li and Yichen Lu and Dachun Sun and Jinning Li and Yuchen Yan and Shengzhong Liu and Hanghang Tong and Tarek F. Abdelzaher},
journal= {arXiv preprint arXiv:2306.07512},
year = {2023}
}
备注
This paper is accepted by ACL-Findings 2023