Rotate
PulseAugur coverage of Rotate — every cluster mentioning Rotate across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的 ROTATE 框架增强了 AI 代理与未知伙伴的协作能力
研究人员开发了一个名为 ROTATE 的新框架，用于训练 AI 代理与不熟悉的伙伴协作，这是一个被称为临时团队合作 (AHT) 的挑战。与先前将队友生成和代理训练分开的方法不同，ROTATE 将这些过程统一到一个开放式学习循环中。该算法在改进 AHT 代理和生成暴露代理协作弱点的对抗性队友之间交替进行。在 Overcooked 和 Level-Based Foraging 任务上的实验表明，ROTATE 在泛化到未知队友方面显著优于现有方法。
-
FlowNeg 方法通过多样化负采样增强知识图谱嵌入
研究人员开发了 FlowNeg，一种用于在知识图谱嵌入 (KGE) 模型中生成多样化且信息丰富的负样本的新方法。该方法利用上下文条件分层生成流网络来选择既是困难负样本又避免与正例冲突的实体。跨不同架构和基准的实验表明，FlowNeg 在平均倒数排名 (MRR) 方面优于 EMU 和 IF-NS 等现有方法，证明了其在改进 KGE 模型学习方面的有效性。
-
FlowNeg方法通过多样化的负采样增强知识图谱嵌入
研究人员开发了FlowNeg，一种用于知识图谱嵌入（KGE）模型生成多样化且信息丰富的负样本的新颖方法。该方法利用上下文条件分层生成流网络来分摊与奖励成比例的采样，根据模型基础硬度和避免与保留正样本冲突的结构化分数相结合的奖励来选择实体类型，然后选择特定实体。跨不同架构和基准的实验表明，FlowNeg在平均MRR方面始终优于EMU和IF-NS等现有方法，证明了其在改进KGE模型学习方面的有效性。
-
新书将知识图谱嵌入探索为几何算子
一本名为《Knowledge Graph Embeddings as Geometric Operators》的书，由 Agus Sudjianto 和 Wing Yan Lau 撰写，正在 Leanpub 上重点推荐。该书探讨了将 TransE、ComplEx、RotatE 等各种知识图谱模型视为单一几何算子的不同视角。它深入研究了用于创建增强 AI 可信度的结构化内存系统的数学基础、编码实现和实际设计原则。
-
新的ROTATE方法解缠绕语言模型中的MLP神经元权重
研究人员开发了一种名为ROTATE（Rotation-Optimized Token Alignment in weighT spacE）的新方法，以更好地理解大型语言模型权重中编码的信息。这种无需数据的方法直接分析神经元权重，通过在其词汇空间投影中寻找高峰度来识别概念。在Llama 3.1 8B-Instruct和Gemma 2-2B-it上的实验表明，ROTATE成功地分离出可解释的方向，称为词汇通道，可用于选择性地禁用特定神经元…
-
新的RelBall模型通过新颖的关系建模增强知识图谱补全能力
研究人员推出了一种名为RelBall的新型模型，旨在通过解决现有方法的局限性来改进知识图谱补全。RelBall扩展了Rotate3D模型，通过引入模变换进行分层表示，并采用以尾实体为中心的“关系球”来处理包括一对多在内的各种关系类型。实验表明，在链接预测任务中，RelBall相对于基线模型取得了有竞争力的性能。
-
新的神经符号框架将AI预测与生物通路相结合
研究人员开发了KG-TRACE，一个旨在改进抗菌素耐药性（AMR）预测的机制基础的新神经符号框架。该框架整合了生物通路的知识图谱和一个神经基因组模型，使其能够动态地权衡神经证据与既定的生物知识。在实现具有竞争力的准确性的同时，KG-TRACE的主要贡献在于它能够为临床医生提供可验证的审计追踪，通过量化神经归因与生物通路之间的对齐来增强对AI驱动预测的信任。
-
新研究统一了知识图谱补全（KGC）的解释，并解决了图探索的挑战
研究人员正在探索知识图谱补全（KGC）和探索的新方法。一篇论文提出了一个统一的后验解释分类法，以提高 KGC 的可复现性和评估性。另一篇论文介绍了模型图归纳学习（MGIL），以捕捉全局图结构，实现更准确的链接预测。此外，一项研究确定了阻碍非专业用户与不熟悉知识图谱交互的“初始探索问题”（IEP），并提出了新的界面设计。最后，提出了 TRACE-KG 框架，用于上下文丰富的知识图谱生成，绕过了预定义的模式。