知识图谱嵌入预测不可靠？论文用投票聚合加保形预测，给出无分布覆盖保证！
Uncertainty in Representation Learning on Knowledge Graphs
📖 AI 总结
该论文是一篇博士论文，系统研究了知识图谱嵌入（KGE）中的不确定性表示学习问题。作者指出，尽管KGE方法在基准测试中表现优异，但其预测缺乏原则性的可靠性保障，限制了在高风险场景中的应用。论文将KGE流程中的不确定性归纳为三类：源于输入知识不完整或含噪的知识不确定性、由训练随机性引发的算法不确定性，以及关乎输出可靠性的预测不确定性。针对算法不确定性，论文证明相同设置下训练的模型可能产生显著不同的预测，并提出基于投票的聚合框架加以缓解；针对预测不确定性，将保形预测适配到KGE，构建具有无分布覆盖保证的答案集，并扩展至谓词条件可靠性保证；针对知识不确定性，提出统计有效的预测区间及基于嵌入的概率推理近似方法。这些模型无关的方法为KGE提供了兼具实用性与理论基础的可靠性保障。
🔑 关键词速览
| 知识图谱嵌入 (KGE) | 将知识图谱中的实体和关系映射到低维向量空间的技术，用于链接预测等任务。 |
| 保形预测 (Conformal Prediction) | 一种提供无分布假设的预测区间或集合的框架，能够给出统计上的覆盖保证。 |
| 算法不确定性 | 由模型训练过程中的随机性（如初始化、优化）引起的预测结果的不稳定性。 |
| 预测不确定性 | 模型输出结果本身的可靠性程度，通常通过置信度或预测区间来量化。 |
| 知识不确定性 | 由于输入知识图谱的不完整、噪声或概率性表示所导致的不确定性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅