استنتاج علاقة قليلة الأمثلة من خلال التدريب المسبق على الرسم البياني المتصل

يهدف مهمة إكمال المخطط المعرفي (KG) ذات القليل من الأمثلة إلى إجراء استدلال تعميمي على المخطط المعرفي: بالنظر فقط إلى عدد قليل من ثلاثيات الدعم لعلاقة جديدة $\bowtie$ (مثل: (chop,$\bowtie$,kitchen)، (read,$\bowtie$,library))، يكون الهدف هو التنبؤ بثلاثيات الاستعلام الخاصة بنفس العلاقة غير المرئية $\bowtie$، مثل: (sleep,$\bowtie$,?). تُعامل الطرق الحالية هذه المشكلة ضمن إطار التعلم الميتا، حيث يجب تدريب النموذج مسبقًا بشكل مشترك على العديد من المهام ذات القليل من الأمثلة التدريبية، كل منها معرّف بعلاقته الخاصة، بهدف ضمان فعالية التعلم أو التنبؤ في المهمة ذات القليل من الأمثلة المستهدفة. ومع ذلك، في المخططات المعرفية الواقعية، يُعد جمع العديد من المهام التدريبية عملية صعبة وغير منتظمة. هنا نقترح نموذج "مُعَلِّم المخطط الفرعي المتصل" (Connection Subgraph Reasoner - CSR)، الذي يمكنه إجراء التنبؤات للمهمة المستهدفة ذات القليل من الأمثلة مباشرة دون الحاجة إلى التدريب المسبق على مجموعة مُعدّة يدويًا من المهام التدريبية. الجوهري في CSR هو نمذجة صريحة لمخطط فرعي مُشترك يربط بين ثلاثيات الدعم والاستعلام، مستوحى من مبدأ الاستدلال الاستبعادي. ولتكيف النموذج مع المخططات المعرفية المحددة، نصمم خطة تدريب ذاتي مخصصة، بهدف إعادة بناء المخططات الفرعية المُستخلصة تلقائيًا. يمكن بعد ذلك تطبيق النموذج المُدرّب مسبقًا مباشرة على المهام ذات القليل من الأمثلة المستهدفة دون الحاجة إلى تدريب إضافي على مهام تدريب محددة. تُظهر التجارب الواسعة على مخططات معرفية حقيقية، بما في ذلك NELL وFB15K-237 وConceptNet، فعالية إطارنا: نُظهر أن تنفيذًا خالٍ من التعلم لـ CSR يمكنه بالفعل تحقيق أداءً تنافسيًا مع الطرق الحالية على المهام ذات القليل من الأمثلة المستهدفة؛ وبالإضافة إلى التدريب المسبق، يمكن لـ CSR تحقيق مكاسب كبيرة تصل إلى 52% في المهام ذات القليل من الأمثلة الاستدلالية الأصعب، حيث تكون الكيانات غير مرئية أثناء التدريب (أو التدريب المسبق).