多言語知識グラフ補完におけるアンサンブル知識転移

知識グラフ（KG）における欠落した事実の予測は、知識ベース構築および推論において重要なタスクであり、近年のKG埋め込み（embedding）を用いた研究において多くの注目を集めている。既存のKG埋め込み手法は主に単一のKG内での事実の学習と予測に焦点を当てているが、異なるKGはデータ品質やカバレッジ面でそれぞれ独自の強みと限界を有していることから、複数の言語特有KGに含まれる知識を統合するより現実的なアプローチが期待される。しかしながら、複数の独立して維持されるKG間での知識の転移は、対応情報の不足や記述される事実の不整合性という課題により、しばしば困難である。本論文では、複数の言語特有KGにまたがる埋め込み学習およびアンサンブル型知識転移を実現する新しいフレームワークKEnSを提案する。KEnSはすべてのKGを共有埋め込み空間に埋め込み、自己学習に基づいてエンティティ間の関連性を捉える。その後、複数の言語特有KGの埋め込みから得られた予測結果をアンサンブル推論により統合し、複数のアンサンブル手法を検討する。5つの実世界の言語特有KGを用いた実験により、KEnSが、補完的な知識を効果的に同定・活用することで、KG補完（KG completion）において最新の手法を一貫して上回ることを示した。