兩位本科生一作，首次提出「持續(xù)學(xué)習(xí)」+「少樣本」知識(shí)圖譜補(bǔ)全 | CIKM 2024

AIGC動(dòng)態(tài)歡迎閱讀

原標(biāo)題：兩位本科生一作，首次提出「持續(xù)學(xué)習(xí)」+「少樣本」知識(shí)圖譜補(bǔ)全 | CIKM 2024
關(guān)鍵字：模型,關(guān)系,知識(shí),圖譜,樣本
文章來(lái)源：新智元
內(nèi)容字?jǐn)?shù)：0字

內(nèi)容摘要：

新智元報(bào)道編輯：LRST
【新智元導(dǎo)讀】上海大學(xué)本科生研發(fā)的新框架能有效應(yīng)對(duì)知識(shí)圖譜補(bǔ)全中的災(zāi)難性遺忘和少樣本學(xué)習(xí)難題，提升模型在動(dòng)態(tài)環(huán)境和數(shù)據(jù)稀缺場(chǎng)景下的應(yīng)用能力。這項(xiàng)研究不僅推動(dòng)了領(lǐng)域發(fā)展，也為實(shí)際應(yīng)用提供了寶貴參考。知識(shí)圖譜（Knowledge Graphs）是一種結(jié)構(gòu)化的，用于展示和管理信息，組織現(xiàn)實(shí)世界知識(shí)的形式。其通常被表達(dá)為三元組形式（）。KGs 為問(wèn)答系統(tǒng)、推薦系統(tǒng)和搜索引擎等各種實(shí)際應(yīng)用提供了極其重要支持。
然而現(xiàn)有知識(shí)圖譜的顯著不完整性嚴(yán)重限制了其在實(shí)際應(yīng)用中的有效性。
同時(shí)，在現(xiàn)實(shí)實(shí)際應(yīng)用中，知識(shí)圖譜中的關(guān)系呈現(xiàn)長(zhǎng)尾分布，即大多數(shù)關(guān)系只有少量相關(guān)的三元組。這種稀缺導(dǎo)致了模型對(duì)于長(zhǎng)尾關(guān)系的泛化能力不足，從而使得知識(shí)圖譜補(bǔ)全模型的整體效果較差 (Few-shot Learning) 。
進(jìn)一步，隨著時(shí)間的推演，越來(lái)越多的新關(guān)系被添加到關(guān)系集中，并在不同時(shí)間點(diǎn)集成到知識(shí)圖譜中。這意味著模型不僅需要學(xué)習(xí)當(dāng)前階段的知識(shí)更需要記住在之前階段學(xué)習(xí)過(guò)的知識(shí) (Continual Learning) 。
最近，上海大學(xué)的本科生李卓風(fēng)、張灝翔（第一作者以及共

原文鏈接：兩位本科生一作，首次提出「持續(xù)學(xué)習(xí)」+「少樣本」知識(shí)圖譜補(bǔ)全 | CIKM 2024