PulseAugur
中
实时 08:49:39
English(EN) Uncertainty in Representation Learning on Knowledge Graphs

论文研究知识图谱嵌入中的不确定性

作者 PulseAugur 编辑部 · [1 个来源] ·

本论文探讨了知识图谱嵌入（KGE）方法中的不确定性问题，该方法将实体和谓词表示在向量空间中以推断缺失的知识。它解决了三个不确定性来源：来自不完整或嘈杂输入的知识不确定性、来自随机训练的算法不确定性以及模型输出中的预测不确定性。该工作提出了一个基于投票的框架来减轻算法不确定性带来的不稳定性，并使共形预测适应KGE以获得无分布的覆盖保证。它还开发了用于置信度评分三元组的预测区间，以及一种基于嵌入的方法，用于在统计本体上进行概率推理，旨在实现可靠且感知不确定性的KGE。 AI

排序理由 该条目是一篇学术论文，详细介绍了关于知识图谱嵌入中不确定性的研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

论文研究知识图谱嵌入中的不确定性

本文如何被排名

Signal score
15 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
该条目是一篇学术论文，详细介绍了关于知识图谱嵌入中不确定性的研究。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, other
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
Breaking (< 6h)
Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yuqicheng Zhu ·

    知识图谱表示学习中的不确定性

    arXiv:2610.06974v1 Announce Type: new Abstract: Knowledge graph embedding (KGE) methods represent entities and predicates in continuous vector spaces to infer missing knowledge. Despite strong benchmark performance, their predictions often lack principled reliability guarantees, …

相关实体

相关话题