点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入!
超参数调优对于知识图谱学习是一个重要问题,会严重影响模型性能,但由于模型训练时间长,现有的超参数搜索算法往往效率低下。
为解决这一问题,我们详细地分析了不同超参数的性质,及子图到全图的迁移能力。并根据实验效果提出了两阶段的调参算法KGTuner,我们在第一阶段利用子图高效地探索大量超参数,并将性能最好的几组超参数配置迁移到全图上,在第二阶段进行微调。
实验表明,两阶段搜索算法大大提升了超参数搜索效率,在不同的大规模知识图谱链接预测任务上,均获得了性能的提升。
本期AI TIME PhD直播间,我们邀请到香港科技大学计算机系博士——张永祺,为我们带来报告分享《针对知识图谱学习的高效超参搜索算法》。
张永祺:
第四范式算法科学家,从事机器学习算法研究工作,主要研究方向为自动化机器学习、知识图谱表示学习与图神经网络。其自研的自动化知识图谱表示学习技术,在知识图谱的多项重要任务上达到国际领先水平,并在人工智能领域顶级会议期刊NeurIPS、TPAMI、ACL、WWW、VLDB Journal、ICDE上发表多个相关工作。他于2020年博士毕业于香港科技大学,2015年本科毕业于上海交通大学。
1
Background
Background – Knowledge Graph (KG)
首先,对于知识图谱来说,有以下背景知识。
用关系来度量头实体和尾实体之间的关联。作为语义图谱的KG,既要建模语义信息,也要建模结构信息。
Representative applications代表应用
Background – Knowledge Graph Learning
如上图所示,在给到一个知识图谱之后,我们希望把符号表达映射到向量表达,并学习实体之间关系的一个表示。
Advantages:
• Continuous, ease of use in ML pipeline.
• Discover latent properties.
• Efficient similarity search
Background – Machine learning on Knowledge Graph
• A scoring function F to measure the plausibility triplets
• A sampling scheme to generate negative samples S-!
• A loss function L and regularization r to define the learning problem • An optimization strategy for convergence procedure