في عالم الذكاء الاصطناعي، تُمثل الرسوم البيانية المعرفية (Knowledge Graphs) العنصر الأساسي في العديد من المهام الأساسية مثل الإجابة على الأسئلة وأنظمة التوصيات. لكن، تواجه هذه الرسوم البيانية تحديات كبيرة بسبب نقص المعلومات. هنا تأتي أهمية نماذج الأساس للرسوم البيانية المعرفية (KGFMs) التي تستهدف استكمال المعلومات المفقودة.

على الرغم من أن هذه النماذج تلقت اهتمامًا كبيرًا، إلا أن أسلوب التدريب الحالي يعتمد بشكل أساسي على استخدام ثلاثيات سلبية عشوائية، مما يؤدي إلى إشراف ضعيف على عملية التدريب. في الورقة البحثية الأخيرة، قدم الباحثون أسلوبًا مبتكرًا يُعرف باسم KMAS، والذي يهدف إلى تعزيز أداء هذه النماذج من خلال عينة سلبية أكثر فعالية.

يعتمد KMAS على بناء ثلاثيات سلبية صعبة باستخدام تمثيلات العلاقة المحدثة من النماذج الحالية. ولتكييف العملية مع قدرات KGFMs المتطورة خلال التدريب، يقوم KMAS بتعديل نسبة الثلاثيات السلبية الصعبة بشكل ديناميكي. بعد مرحلة التحضير، يزداد هذا النسبة بشكل خطي ثم تنخفض، مما يوفر إشرافًا أفضل ويعزز أداء النموذج.

أجريت تجارب واسعة على 44 مجموعة بيانات، حيث أظهرت النتائج تحسنًا ملحوظًا لأداء العديد من KGFMs الرائدة، دون الحاجة إلى زيادة كبيرة في الوقت أو الذاكرة.

هذا البحث يفتح آفاق جديدة لتحسين تقنيات تدريب نماذج الرسوم البيانية المعرفية، مما يعد بزيادة الفعالية في معالجة البيانات وتحقيق نتائج أكثر دقة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!