ترجمه فارسی مقاله SnapE — آموزش عکس‌های فوری از گروه‌های مدل‌های پیش‌بینی لینک

چکیده

Snapshot ensembles have been widely used in various fields of prediction. They allow for training an ensemble of prediction models at the cost of training a single one. They are known to yield more robust predictions by creating a set of diverse base models. In this paper, we introduce an approach to transfer the idea of snapshot ensembles to link prediction models in knowledge graphs. Moreover, since link prediction in knowledge graphs is a setup without explicit negative examples, we propose a novel training loop that iteratively creates negative examples using previous snapshot models. An evaluation with four base models across four datasets shows that this approach constantly outperforms the single model approach, while keeping the training time constant.

چکیده به فارسی (ترجمه ماشینی)

مجموعه های عکس فوری به طور گسترده ای در زمینه های مختلف پیش بینی مورد استفاده قرار گرفته است.آنها اجازه می دهند تا یک گروه از مدل های پیش بینی را با هزینه آموزش یک واحد آموزش دهند.آنها با ایجاد مجموعه ای از مدل های پایه متنوع ، پیش بینی های قوی تری دارند.در این مقاله ، ما رویکردی را برای انتقال ایده گروههای عکس فوری برای پیوند مدل های پیش بینی در نمودارهای دانش معرفی می کنیم.علاوه بر این ، از آنجا که پیش بینی پیوند در نمودارهای دانش یک مجموعه بدون نمونه های منفی صریح است ، ما یک حلقه آموزش جدید را پیشنهاد می کنیم که به طور تکراری نمونه های منفی را با استفاده از مدل های عکس فوری قبلی ایجاد می کند.ارزیابی با چهار مدل پایه در چهار مجموعه داده نشان می دهد که این رویکرد دائماً از رویکرد مدل واحد بهتر عمل می کند ، در حالی که زمان آموزش را ثابت نگه می دارد.