基于多任务遗忘的开放知识库规范化
人工智能
2023-10-26 v1
摘要
大型开放知识库（OKBs）的构建是移动计算领域许多应用的重要组成部分。OKBs 中的名词短语与关系短语常存在冗余与歧义，因此需要研究 OKB 规范化。然而，为满足某些隐私保护法规的要求并确保数据的时效性，规范化后的 OKB 往往需移除某些敏感信息或过时数据。OKB 规范化中的机器遗忘是解决上述问题的极佳方案。现有方法通过设计先进的聚类算法并利用知识图谱嵌入（KGE）进一步促进规范化过程来处理 OKB 规范化。亟需有效的方案以充分协同机器遗忘与聚类及 KGE 学习。为此，我们提出一种多任务遗忘框架，即 MulCanon，以解决 OKB 规范化中的机器遗忘问题。具体而言，利用扩散模型中的噪声特性来实现 OKB 中数据的机器遗忘效果。MulCanon 统一了扩散模型、KGE 与聚类算法的学习目标，并采用两步多任务学习范式进行训练。在流行 OKB 规范化数据集上的详尽实验研究验证了 MulCanon 取得了先进的机器遗忘效果。
引用
@article{arxiv.2310.16419,
title = {Open Knowledge Base Canonicalization with Multi-task Unlearning},
author = {Bingchen Liu and Shihao Hou and Weixin Zeng and Xiang Zhao and Shijun Liu and Li Pan},
journal= {arXiv preprint arXiv:2310.16419},
year = {2023}
}