要約
KBGANの導入について紹介します。これは、既存の知識グラフ埋め込みモデルの性能を向上させるための敵対的学習フレームワークです。知識グラフは通常、肯定的な事実のみを含むため、有用な否定的な訓練サンプルを抽出することは容易ではありません。肯定的な事実からヘッドまたはテールエンティティを一様にランダムに選択されたエンティティで置き換えるという方法が、否定的事実を生成する際の従来の手法ですが、生成される否定的事実の大部分は肯定的事実と簡単に区別でき、訓練への貢献は少ないです。敵対的生成ネットワーク（GANs）から着想を得て、我々は一つの知識グラフ埋め込みモデルを否定サンプルジェネレータとして使用し、目標とするモデル（GANsにおけるディスクリミネータ）の訓練を支援します。このフレームワークはジェネレータとディスクリミネータの具体的な形式とは独立しており、多種多様な知識グラフ埋め込みモデルを利用することができます。実験では、TransEとTransDという2つの翻訳ベースモデルを使用し、それぞれDistMultとComplExという2つの確率ベースモデルからの支援を受けながら敵対的に訓練を行いました。KBGANの性能評価にはリンク予測タスクを行い、FB15k-237, WN18, WN18RRという3つの知識ベース補完データセットを使用しました。実験結果は、異なる設定下においても敵対的訓練が目標となる埋め込みモデルの性能を大幅に向上させることを示しています。