Метод машинного обучения для анализа временных графов знаний.

«`html

Использование Large Language Models-Guided Dynamic Adaptation (LLM-DA) для размышлений о временных графах знаний (TKG)

Исследователи из Китайского университета технологий, университета Монаша в Австралии, Университета Гонконга в Китае и Университета Гриффита в Австралии представили LLM-DA для интерпретации временных графов знаний (TKG). Временные графы знаний (TKG) — это структурированные представления данных реального мира, включающие временные измерения. Традиционные методы рассуждения о временных графах знаний (TKGR) полагаются на алгоритмы глубокого обучения, которые представляют собой интерпретируемые или временные логические правила и часто затрудняются в эффективном улавливании временных закономерностей. Изменчивая природа TKG представляет еще одно вызов для моделей рассуждения, требующих обновления для интеграции новых знаний.

Решение проблемы

Существующие методы в TKGR, такие как алгоритмы глубокого обучения и временные логические правила, были успешны в рассуждениях, но часто лишены интерпретируемости и способности адаптироваться к изменяющимся данным. Исследование нацелено на использование LLM в качестве потенциальных кандидатов для TKGR из-за их обширных знаний и рассуждений. Однако оно признает черный ящик LLM и вызов обновления их оперативно для интеграции новых знаний. Предложенный метод LLM-DA решает эти проблемы, используя LLM для извлечения временных логических правил из исторических данных и их динамической адаптации для интеграции последних событий. Этот подход улучшает интерпретируемость и адаптивность моделей TKGR без необходимости тонкой настройки LLM.

Этапы метода LLM-DA

LLM-DA состоит из нескольких ключевых этапов: выборка временных логических правил, генерация правил, динамическая адаптация и рассуждения кандидатов. На этапе выборки временных логических правил используются ограниченные марковские случайные блуждания для извлечения временных логических правил из исторических данных. Генерация правил использует LLM для создания общих правил высокого качества на основе извлеченных правил и соответствующих контекстных отношений. Динамическая адаптация обновляет сгенерированные LLM-правила с использованием текущих данных, обеспечивая их интеграцию с последними знаниями. Наконец, рассуждение кандидатов интегрирует правила и графовые методы рассуждения для вывода потенциальных ответов на запросы в TKG.

Результаты и перспективы

Метод оценивается на наборах данных ICEWS14 и ICEWS05-15, подмножествах Integrated Crisis Early Warning System (TKG международных политических событий и социальной динамики). Проводятся эксперименты для сравнения LLM-DA с классическими методами для TKGR, включая модели на основе LLM. Экспериментальные результаты демонстрируют, что LLM-DA превосходит современные стандарты по всем метрикам. Даже без тонкой настройки LLM-DA превосходит все другие методы TKGR на основе LLM, демонстрируя эффективность своей стратегии динамической адаптации при обновлении правил, созданных LLM, с учетом последних событий.

В заключение, статья решает проблему рассуждения о временных графах знаний, представив LLM-DA. Предложенный метод объединяет мощь больших языковых моделей с динамической адаптацией для извлечения временных закономерностей и облегчения интерпретируемых рассуждений. Используя LLM для генерации правил и их динамической адаптации для интеграции новых знаний, LLM-DA предоставляет надежную основу для задач TKGR. Метод демонстрирует превосходную производительность по сравнению с существующими методами, предлагая многообещающее решение для рассуждения о изменяющихся TKG.

Проверьте Статью. Вся честь за это исследование принадлежит его авторам. Также не забудьте подписаться на нас в Twitter. Присоединяйтесь к нашему Телеграм-каналу, Discord-каналу и группе LinkedIn.

Если вам нравится наша работа, вам понравится наша рассылка.

Не забудьте присоединиться к нашему подпреддиту ML! Также загляните на нашу платформу по событиям ИИ AI Events.

Попробуйте AI Sales Bot здесь. Этот AI-ассистент в продажах помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж и снижать нагрузку на первую линию.

Узнайте, как ИИ может изменить ваши процессы с решениями от AI Lab itinai.ru — будущее уже здесь!

«`