Глоссарий ИИ
Полный словарь искусственного интеллекта
TransE
Модель вложений, основанная на трансляции, которая представляет отношения в виде операций трансляции между векторами сущностей в пространстве вложений.
RotatE
Модель вложений, использующая вращения в комплексной плоскости для моделирования различных типов симметричных, антисимметричных и обратных отношений.
ComplEx
Модель вложений в комплексном пространстве, которая улавливает асимметричные отношения посредством комплексного умножения векторов сущностей.
DistMult
Простая билинейная модель, использующая диагональное скалярное произведение для предсказания правдоподобности триплетов в графе знаний.
RESCAL
Тензорная модель, которая факторизует тензор отношений для изучения вложений сущностей и матрицы отношений для каждого типа отношений.
ConvE
Модель вложений на основе 2D сверточных нейронных сетей, которая улавливает сложные взаимодействия между сущностями и отношениями.
KBAT
Архитектура на основе трансформера с механизмом внимания, адаптированная для графов знаний, интегрирующая информацию о структуре и семантическом содержании.
Metapath2Vec
Алгоритм обучения представлениям для неоднородных графов, использующий мета-пути для направления случайных блужданий и улавливания реляционной семантики.
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
Модель, представляющая векторы взаимодействия для фиксации перекрестных зависимостей между сущностями и отношениями в графах знаний.