Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
TransE
Modèle d'embedding basé sur la traduction qui représente les relations comme des opérations de translation entre les vecteurs d'entités dans l'espace d'embedding.
RotatE
Modèle d'embedding utilisant des rotations dans le plan complexe pour modéliser différents types de relations symétriques, antisymétriques et inverses.
ComplEx
Modèle d'embedding dans l'espace complexe capturant les relations asymétriques à travers la multiplication complexe des vecteurs d'entités.
DistMult
Modèle bilinéaire simple utilisant le produit scalaire diagonal pour prédire la plausibilité des triplets dans un graphe de connaissances.
RESCAL
Modèle tensoriel factorisant le tenseur de relation pour apprendre des embeddings d'entités et une matrice de relation par type de relation.
ConvE
Modèle d'embedding basé sur des réseaux de neurones convolutifs 2D capturant les interactions complexes entre entités et relations.
KBAT
Architecture transformer avec mécanisme d'attention adapté pour les graphes de connaissances, intégrant des informations de structure et de contenu sémantique.
Metapath2Vec
Algorithme d'apprentissage de représentations pour graphes hétérogènes utilisant des métapaths pour guider les marches aléatoires et capturer la sémantique relationnelle.
Poincaré Embedding
Technique d'embedding dans l'espace hyperbolique de Poincaré préservant naturellement les structures hiérarchiques des graphes de connaissances.
Link Prediction in KG
Processus de prédiction de l'existence ou de la plausibilité de relations entre entités basé sur les similarités vectorielles dans l'espace d'embedding.
Entity Alignment
Technique identifiant et faisant correspondre les entités équivalentes entre différents graphes de connaissances en utilisant leurs embeddings vectoriels.
Temporal Knowledge Graph Embedding
Extension des méthodes d'embedding incorporant la dimension temporelle pour modéliser l'évolution dynamique des relations dans le temps.
Type-aware Embedding
Approche d'embedding intégrant les informations de type d'entité comme contraintes pour améliorer la qualité des représentations vectorielles.
Hole
Modèle d'embedding circulaire utilisant la convolution circulaire (corrélation) pour capturer les interactions complexes entre entités et relations.
SimplE
Modèle d'embedding simple mais efficace utilisant des embeddings inverses pour capturer les propriétés d'inversion et de composition des relations.
TuckER
Modèle d'embedding basé sur la décomposition tensorielle de TuckER capturant les interactions complexes entre entités et relations à travers un tenseur core.
CrossE
Modèle introduisant des vecteurs d'interaction pour capturer les dépendances croisées entre entités et relations dans les graphes de connaissances.