基于对抗数据增强的正-无标记学习用于知识图谱补全
机器学习
2022-08-17 v3 人工智能
摘要
大多数现实世界知识图谱（KG）远非完整与全面。该问题推动了预测最合理缺失事实以补全给定 KG 的努力，即知识图谱补全（KGC）。然而，现有 KGC 方法存在两个主要问题：1) 假负类问题，即采样的负训练实例可能包含潜在真实事实；2) 数据稀疏问题，即真实事实仅占所有可能事实的极小部分。为此，我们提出用于 KGC 的带对抗数据增强的正-无标记学习（PUDA）。具体而言，PUDA 为 KGC 任务定制正-无标记风险估计器以应对假负类问题。此外，为解决数据稀疏问题，PUDA 通过在正-无标记极小极大博弈下统一对抗训练与正-无标记学习实现数据增强策略。在真实世界基准数据集上的大量实验结果证明了我们所提方法的有效性与兼容性。
引用
@article{arxiv.2205.00904,
title = {Positive-Unlabeled Learning with Adversarial Data Augmentation for Knowledge Graph Completion},
author = {Zhenwei Tang and Shichao Pei and Zhao Zhang and Yongchun Zhu and Fuzhen Zhuang and Robert Hoehndorf and Xiangliang Zhang},
journal= {arXiv preprint arXiv:2205.00904},
year = {2022}
}
备注
IJCAI 2022