Adapting Meta Knowledge Graph Information for Multi-Hop Reasoning over Few-Shot Relations

最新推荐文章于 2023-07-04 14:52:50 发布
置顶 最新推荐文章于 2023-07-04 14:52:50 发布
阅读量1.2k 收藏 1
点赞数 2
分类专栏： 关系抽取
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_38031488/article/details/102524672
版权
该研究提出了一种利用元学习的方法，从高频关系实例中学习参数，以适应少样本关系的多跳推理问题。在知识图谱问答中，通过定义三元组查询并解决需要推理的多步关系。针对知识图谱构建类别的不平衡和长尾问题，采用了少样本学习策略。模型由两部分组成：关系特定学习，使用强化学习寻找目标实体和推理路径；元学习，则用于快速适应新的few-shot关系任务。
摘要由CSDN通过智能技术生成

Adapting Meta Knowledge Graph Information for Multi-Hop Reasoning            over Few-Shot Relations（2019 EMNLP）

Idea：该论文利用meta-learning从高频关系实例中学得参数，然后快速应用于few-shot关系推理中。

该QA问题被定义为：一个三元组的query被定义为，其中e代表源实体，r代表关系类别，目的是从知识图谱中找到目标实体。例如：“What is the nationality of Mark Twain” 被形式化为 (Mark Twain; nationality; ?)  → target entity ：America

multi-hop reasoning：(Mark Twain; nationality; ?) 的答案不能从单一实例中得出，需加以推理。

multi-hop explainable paths：(Mark Twain; born-In; Florida) ^(Florida; located-In; America)

few-shot：从真实数据集中观察得出，其知识图谱的构建类别很不均衡，有长尾问题。从而引入few-sho

最低0.47元/天 解锁文章
羽_羊
关注
专栏目录
Adapting Mental Health Prediction Tasks for Cross-lingual Learning via Meta-Training and In-context
c_cpp_csharp的专栏
08-08 29
及时识别对于有效处理抑郁症等心理健康疾病至关重要。然而，目前的研究未能充分解决从斯瓦希里语等低资源非洲语言的社交媒体数据中预测心理健康状况的问题。本研究介绍了两种不同的方法，即利用模型无关元学习和利用大型语言模型（LLM）来解决这一差距。实验在翻译成低资源语言的三个数据集上进行，并应用于四项心理健康任务，包括压力、抑郁、抑郁严重程度和自杀意念预测。我们首先应用了一个具有自我监督的元学习模型，这改进了模型初始化，以实现快速适应和跨语言迁移。
【大模型迁移 2022】Exploring Visual Prompts for Adapting Large-Scale Models
梁瑛平的博客
09-26 1457
本文研究了视觉提示（visual prompting）对适应大规模视觉模型的有效性。根据最近的提示调优（prompt tuning）和敌对抗重编程（adversarial reprogramming）方法，本文提出学习一个单一的图像扰动，然后由这个扰动提示的冻结模型执行一个新的任务。通过全面的实验，本文证明了 visual prompting 对 CLIP 特别有效，并且对分布转移具有鲁棒性，实现了与标准线性探头竞争的性能。本文进一步分析了下游数据集的特性、及时设计和输出转换的适应性性能。
Meta Structures in Knowledge Graphs 阅读笔记
野有蔓兮的博客
03-25 568
Meta Structures in Knowledge Graphs 阅读笔记 作者：Valeria Fionda and Giuseppe Pirr`o Abstract 元结构，也就是模式级图，它是通过抽象知识图谱中一组实体链接信息而来的。文章抽象了数据层的信息，构建了元结构。将元结构的计算问题形式化，设计了基于自动机的算法，用来发现和输入实体链接的子图。提出了基于元结构的相关性度量——La...
学习论文《Neural Snowball for Few-Shot Relation Learning》笔记
いいこと？暁の磕盐线に胜利を刻みなさいっ！
01-31 2801
笔记在一定程度上参考了AI科技评论的用于少次关系学习的神经网络雪球机制 1.文章的创新点 关系增长的关系抽取 关系抽取（RelationExtraction）是自然语言处理当中的一个重要研究课题，其探究如何从文本中抽取结构化的关系事实。例如，从句子“比尔盖茨是微软的创始人”中，我们可以抽取出（比尔盖茨，创始人，微软）这样一个关系三元组，并用于知识图谱补全等下游任务中。 与关系抽取相关的工作有很多...
Multi-Hop Knowledge Graph Reasoning with Reward Shaping
damuge2的博客
03-06 2453
Multi-Hop Knowledge Graph Reasoning with Reward Shaping来源背景motivation:模型改进实验代码 来源 2018　EMNLP Xi Victoria Lin Richard Socher Caiming Xiong Salesforce Research {xilin,rsocher,cxiong}@salesforce.com 背景 大...
SQUIRE: A Sequence-to-sequence Framework for Multi-hop Knowledge Graph Reasoning
weixin_44466434的博客
07-04 197
1
论文笔记：Sequence-to-Sequence Knowledge Graph Completion and QuestionAnswering
qq_40398918的博客
04-26 3070
Sequence-to-Sequence Knowledge Graph Completion and Question 摘要： 现成的编码器-解码器转换器模型可以作为可扩展和通用的KGE模型，获得KG链接预测和不完全KG问题回答的最新结果。通过将KG链接预测(KG link prediction)作为序列到序列（seq2seq）的任务来实现这一点，并将先前KGE方法采用的三重评分方法与自回归解码进行交换。与传统的KGE模型相比，这种简单但强大的方法将模型大小减少了98%，同时保持推理时间易处理。 Intr
Multi-Core Cache Hierarchies
04-14
in scaling existing technologies require adapting to and exploiting new technology constraints. The book attempts a synthesis of recent cache research that has focused on innovations for multi-core ...
CoTrade.rar_#co-training_#matlab_DEMO_co-training_multi-label
07-14
The package includes the Matlab code of COINS, which is designed for learning from multi-label data under the inductive semi-supervised setting by adapting the co-training techniques. Source code as ...
小样本学习（few-shot learning）之——原形网络（Prototypical Networks）
热门推荐
m0_38031488的博客
12-27 4万+
Prototypical Networks for Few-shot Learning 摘要：该文提出了一种可以用于few-shot learning的原形网络（prototypical networks）。该网络能识别出在训练过程中从未见过的新的类别，并且对于每个类别只需要很少的样例数据。原形网络将每个类别中的样例数据映射到一个空间当中，并且提取他们的“均值”来表示为该类的原形（prototy...
小样本学习与图神经网络论文调研
weixin_55768678的博客
10-04 1267
转自知乎@白小鱼[论文清单]小样本学习与图神经网络 - 知乎 要入门某研究方向的最基本方法就是读文献，fighting 该交叉领域工作较多，截至目前在正式期刊会议[2]上有A类文章12篇，B类文章11篇，C类文章4篇。近三年有31篇预印本文章。 正式期刊会议文章 2021 CCF-C Xu Zhang, Youjia Zhang, Zuyu Zhang: Multi-granularity Recurrent Attention Graph Neural Network for Few-Sh
Sequence-to-Sequence Knowledge Graph Completion and QuestionAnswering(2022 ACL)
lft_happiness的博客
07-23 1128
论文笔记 Sequence-to-Sequence Knowledge Graph Completion and Question Answering
论文笔记丨Few-shot Relation Extraction via Bayesian Meta-learning on Relation Graphs
u011150266的博客
07-06 999
作者：凯 燕山大学 原文链接:http://proceedings.mlr.press/v119/qu20a/qu20a.pdf Few-shot Relation Extraction via Bayesian Meta-learning on Relation GraphsAbstractIntroductionExperiment Abstract 关系抽取目的是通过在每个关系中抽取几个标注的实例来进行训练，从而预测一个句子中一对实体的关系。我们提出了一种基于贝叶斯的元学习方法有效的学习了类原型的后验
通过对比实现少样本或零样本学习Learning to Compare: Relation Network for Few-Shot Learning
qq_24305433的博客
04-24 2万+
一、简介最近偶然间看到一篇解读CVPR中Learning to Compare: Relation Network for Few-Shot Learning这篇论文（https://arxiv.org/abs/1711.06025）的文章（http://www.gzhshoulu.wang/article/1926990），感觉非常有意思。大家都知道，近年来深度学习之所以取得如此大的成功，主要在...
Few-shot Relation Extraction via Bayesian Meta-learning on Relation Graphs
Wywxring98的博客
11-10 1263
【论文阅读-ICML2020】Few-shot Relation Extraction via Bayesian Meta-learning on Relation Graphs 目录【论文阅读-ICML2020】Few-shot Relation Extraction via Bayesian Meta-learning on Relation Graphs新知识点Few-shotSiamese networkBayesianBayesian Meta-learningAbstract 新知识点 Few-
论文解读：Graph Transformer for Graph-to-Sequence Learning
夏栀的博客
12-07 7003
论文解读：Graph Transformer for Graph-to-Sequence Learning   图神经网络在深度学习领域内得到十分广泛的应用，其可以对拓扑结构的数据进行表征。现阶段传统的以GNN及其相关变体在进行表征时普遍做法是将结点多跳范围内的邻居结点通过平均或加权等方式进行聚合，但这类方式存在一些不足之处，本篇文章提出的Graph Transformer模型主要解决含有关系以及在有限跳数范围内部分结点之间信息无法得到交互的问题，并应用到graph-to-sequence类问题上。 一、简
Few-Shot Knowledge Graph Completion阅读笔记
小白一枚，共同交流，共同进步~
01-23 1564
Few-Shot Knowledge Graph Completion 原文下载 AAAI 2020 摘要 知识图谱作为多种自然语言处理应用的有用资源。原来知识图谱的补全方法要求每种关系拥有大量的训练实例(例如头部-尾部实体)。但是在真实的场景中，对于大多数实体仅有少数的实体对可以得到。并且现有小样本学习方法对于小样本的场景缺乏一般性也没有充分利用监督信息；然而小样本知识图谱补全还没有被很好的研究。在本文工作中作者提出了一个新颖的小样本关系学习模型(FSRL)目的是为了基于给定的参考集发现新关系的实体。FS
CVPR 2021 Semantic Relation Reasoning for Shot-Stable Few-Shot Object Detection
smile909的博客
03-26 2610
动机 深度学习算法通常需要大量的标注数据才能获得更好的性能。而大量的标注数据需要收集大量的样本进行标注完成，由于真实世界数据固有的长尾分布，如稀有动物之类的，只有少数样本可用，小样本目标检测是一个迫切而持久的问题。由于小样本目标检测的性能对显性和隐性的样本数量非常敏感，当数据有限时，性能也会急剧下降，很大程度上受到新类数据稀缺的影响。新目标的学习只通过图像，即视觉信息，并且各类之间的学习是独立的，不存在知识传播。然而因为图像数据的稀缺，视觉信息变得有限。但是无论数据的可用性如何，新类和基本类之间的语义关系都
bending reality: distortion-aware transformers for adapting to panoramic sem
最新发布
09-19
弯曲现实：畸变感知的变压器用于适应全景语义。 近年来，全景图像和全景视频成为计算机视觉领域的研究热点。全景图像是一种包含整个环境的图像，能够提供更加广阔的视野和全面的信息。然而，由于镜头的物理构造和环境因素的干扰，全景图像中常常存在畸变现象。 为了有效地处理全景图像中的语义信息，研究者们提出了一种名为“弯曲现实”的新方法。该方法主要利用变压器（transformer）模型，并在其基础上加入畸变感知机制。 变压器模型是一种强大的深度学习模型，常用于计算机视觉和自然语言处理任务。它的基本思想是将输入序列映射为输出序列，通过自注意力机制同时考虑输入序列中的所有位置。然而，在处理全景语义时，传统的变压器模型无法有效处理畸变现象。 因此，在“弯曲现实”方法中，研究者们引入了畸变感知的机制，以更好地适应全景语义。这种机制使变压器模型能够捕捉到全景图像中的畸变信息，从而更准确地理解和分析全景图像。 具体而言，畸变感知的变压器模型通过在模型的输入和输出之间添加额外的畸变感知模块，能够对输入中的畸变进行建模，并将其纳入到整个模型的学习过程中。这种感知模块可以捕捉到全景图像中的空间和角度畸变，从而提高全景语义的识别和理解能力。 总之，“弯曲现实”是一种针对全景图像和全景语义的新方法。通过引入畸变感知的变压器模型，可以更好地适应全景图像中的畸变现象，提高对全景语义的处理效果。这一方法的提出将为计算机视觉领域的研究和应用带来更多可能性。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值