Агентные системы и обучение с подкреплением
Различные подходы к негативному сэмплированию в графах знаний
Уважаемые коллеги,
приглашаем Вас посетить семинар "Различные подходы к негативному сэмплированию в графах знаний".
Моделям, работающим с графами знаний, для обучения требуются как положительные, так и негативные примеры. При этом в самих графах знаний негативные примеры отсутствуют, а потому их поиск становится нетривиальной задачей. Стандартной практикой является равномерное негативное сэмплирование: для каждого позитивного примера (существующего ребра в графе знаний) негативные примеры отбираются путем замены одной из вершин ребра на случайную из равномерного распределения. У такого подхода есть свои недостатки: он занимает много времени, влечет большое количество ложноотрицательных примеров, часто генерирует некачественные примеры, ведет к проблеме исчезающих градиентов.
На семинаре мы подробнее обсудим проблемы стандартного подхода к негативному сэмплированию в графах знаний, а также рассмотрим более сложные методы (основанные на GAN-ах и кэшировании). Наконец, поговорим о возможности отказаться от негативного сэмплирования, используя регуляризацию.
Докладчик: Елизавета Вирко.
Язык доклада: русский.
Дата и время: 15-е декабря, 18:30-20:00.
https://us02web.zoom.us/j/217320533?pwd=TzllQzNld1ExUVJUdENXdzZsblBhUT09
Meeting ID: 217 320 533
Passcode: 021675
Подробнее об этом и других мероприятиях на сайте research.jetbrains.org.