抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
知識グラフ(KG)は典型的には不完全であり,既存のものを与えられた新しい事実を推論することが多い。これはバイナリ分類問題として考えられる。著者らは,新しい事実が真または偽であるかどうかを予測することを目的とする。残念なことに,著者らは,一般に,正の例(既知の事実)を持つが,分類器を訓練するには,負のものを必要とする。これを解決するため,負のサンプリング戦略を用いて負の例を生成することが通常である。しかし,これは,性能を低下させる可能性がある偽陰性を生成し,計算的に高価であり,較正された分類確率を生成しない。本論文では,損失関数に新しい正則化項を加えることにより,負のサンプリングの必要性を除外する訓練手続きを提案した。2つの関係埋込みモデル(DistMultとSimplE)に対する結果は,性能と速度の両方に関して提案の利点を示した。【JST・京大機械翻訳】