澳门太阳集团9728网站

信息技術研究生論壇

時間：2022年11月8日（星期二）15:00-17:00

地點：澳门太阳集团9728网站601教室

報告題目一：LargeEA Aligning Entities for Large-scale Knowledge Graphs

報告人：莫少聰

報告簡介：實體對齊（EA）旨在尋找不同知識圖譜（KG）中的等價實體。基于嵌入的方法 在最近幾年中主導了EA任務。這些方法面臨的問題來自于嵌入向量的幾何特性。 包括樞紐性和隔離性。為了解決這些幾何問題，許多規範化方法已被用于EA。 然而，由于KGs的規模越來越大，EA模型很難采用歸一化過程。 采用歸一化過程，從而限制了它們在現實世界中的應用。 現實世界的應用。為了應對這一挑戰，我們提出了ClusterEA，一個能夠擴大EA模型規模的通用框架 并通過利用規範化方法增強其結果 該框架能夠擴大EA模型的規模，并通過利用具有高實體等價率的小型批次的規範化方法來增強其結果。

報告題目二：小樣本多模态肝癌分類算法研究

報告人：邱俊铼

報告簡介：單一模态數據所能提供的信息往往十分有限，多模态數據融合方法不僅能夠抽取所有模态的公共信息，而且還能夠很好地結合互補信息，同時探索所有模态的顯式或隐式互補信息。報告介紹了多種肝癌多模态影像數據融合算法，并提出了一種基于監督對比學習的多模态肝癌影像分類模型，既可以像傳統的對比學習方式那樣利用圖像增強構造出來樣本對進行訓練，同時還可以充分利用有标簽的樣本對模型進行修正。

報告題目三：基于融合符号邏輯和表示學習的知識圖譜推理算法研究

報告人：劉春雨

報告簡介：知識圖譜推理是将推理任務進行簡化并限定在基于知識圖譜的圖結構上，完成關系推理和事實預測的重要技術。在知識圖譜上完成推理的兩種不同方法包括基于符号邏輯的推理和基于表示學習的推理。傳統的符号邏輯推理依賴人工構建規則，可擴展性不高，且不易于處理不确定的隐含知識，因此需要研究規則的自動學習方法，而之前提出的基于符号搜索的規則學習方法（如PRA，AMIE）等存在着搜索空間過大的問題。單一依靠實體和關系的嵌入表示學習的方法，不具有可解釋性，且不足以支持規則層面的推理能力。因此，近年來許多研究者開始考慮實現符号邏輯和表示學習的有機融合，利用嵌入表示學習來實現規則學習以加速規則學習的過程，并讓規則推理過程更易于捕獲隐含的知識邏輯，這是知識圖譜推理技術的重要發展方向。本次報告分别對基于符号邏輯和基于表示學習的知識圖譜推理算法進行介紹，并對目前已有的一些融合算法進行比較，對不同的融合的思路進行探讨。

歡迎廣大師生踴躍參加！