ترجمه فارسی مقاله پاسخ کنفورمالاسیون پیش بینی برای تعبیه نمودار دانش

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Conformalized Answer Set Prediction for Knowledge Graph Embedding
عنوان مقاله به فارسی پاسخ کنفورمالاسیون پیش بینی برای تعبیه نمودار دانش
نویسندگان Yuqicheng Zhu, Nico Potyka, Jiarong Pan, Bo Xiong, Yunjie He, Evgeny Kharlamov, Steffen Staab
فرمت مقاله انگلیسی PDF
تعداد صفحات 19
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Artificial Intelligence,هوش مصنوعی ,
توضیحات Submitted 25 August, 2024; v1 submitted 15 August, 2024; originally announced August 2024. , Comments: Under Review
توضیحات به فارسی ارسال شده 25 اوت 2024 ؛V1 ارسال شده در 15 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: تحت بررسی
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Knowledge graph embeddings (KGE) apply machine learning methods on knowledge graphs (KGs) to provide non-classical reasoning capabilities based on similarities and analogies. The learned KG embeddings are typically used to answer queries by ranking all potential answers, but rankings often lack a meaningful probabilistic interpretation - lower-ranked answers do not necessarily have a lower probability of being true. This limitation makes it difficult to distinguish plausible from implausible answers, posing challenges for the application of KGE methods in high-stakes domains like medicine. We address this issue by applying the theory of conformal prediction that allows generating answer sets, which contain the correct answer with probabilistic guarantees. We explain how conformal prediction can be used to generate such answer sets for link prediction tasks. Our empirical evaluation on four benchmark datasets using six representative KGE methods validates that the generated answer sets satisfy the probabilistic guarantees given by the theory of conformal prediction. We also demonstrate that the generated answer sets often have a sensible size and that the size adapts well with respect to the difficulty of the query.

چکیده به فارسی (ترجمه ماشینی)

تعبیه نمودار دانش (KGE) روشهای یادگیری ماشین را در نمودارهای دانش (KGS) اعمال می کند تا قابلیت های استدلال غیر کلاسیک را بر اساس شباهت ها و قیاس ها ارائه دهد.تعبیه KG آموخته به طور معمول برای پاسخ دادن به نمایش داده ها با رتبه بندی تمام پاسخ های بالقوه استفاده می شود ، اما رتبه بندی ها اغلب فاقد یک تفسیر احتمالی معنی دار هستند - پاسخ های دارای رتبه پایین لزوماً احتمال واقعی بودن را ندارند.این محدودیت ، تمایز قابل قبول از پاسخ های غیرممکن را دشوار می کند و چالش هایی را برای استفاده از روش های KGE در حوزه های پر سر و صدا مانند پزشکی ایجاد می کند.ما با استفاده از تئوری پیش بینی کنفورماسی که امکان تولید مجموعه های پاسخ را فراهم می کند ، به این مسئله می پردازیم ، که حاوی پاسخ صحیح با ضمانت های احتمالی است.ما توضیح می دهیم که چگونه می توان از پیش بینی کنفورماسی برای تولید چنین مجموعه ای از پاسخ ها برای کارهای پیش بینی پیوند استفاده کرد.ارزیابی تجربی ما در چهار مجموعه داده معیار با استفاده از شش روش نماینده KGE تأیید می کند که پاسخ های تولید شده ، ضمانت های احتمالی داده شده توسط تئوری پیش بینی سازگار را برآورده می کنند.ما همچنین نشان می دهیم که مجموعه های پاسخ تولید شده اغلب دارای اندازه معقول هستند و اندازه آن با توجه به دشواری پرس و جو به خوبی سازگار است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.