GRiD: Modelli di Diffusione per l'Estrazione di Regole a Grafo nei Grafi di Conoscenza
Un nuovo framework chiamato GRiD riformula l'estrazione di regole a grafo per il ragionamento sui grafi di conoscenza utilizzando modelli di diffusione. I metodi esistenti si concentrano su regole semplici a catena, perdendo strutture più ricche come cicli e rami, e affrontano colli di bottiglia computazionali dovuti all'esplosione combinatoria. GRiD affronta questi problemi allineando l'addestramento del modello di diffusione con le metriche di qualità delle regole, consentendo la generazione di regole a grafo complesse. L'approccio è dettagliato in arXiv:2605.30747.
Fatti principali
- 1. GRiD utilizza modelli di diffusione per l'estrazione di regole a grafo.
- 2. I metodi esistenti di estrazione di regole si concentrano su regole a catena.
- 3. Le regole a grafo includono cicli e rami.
- 4. L'esplosione combinatoria ostacola la ricerca di regole a grafo.
- 5. Gli obiettivi di addestramento dei modelli di diffusione non sono allineati con la qualità delle regole.
- 6. Le metriche non differenziabili delle regole KG ostacolano l'ottimizzazione.
- 7. GRiD riformula l'estrazione di regole per allinearla ai modelli di diffusione.
- 8. L'articolo è su arXiv con ID 2605.30747.
Entità
Istituzioni
- arXiv