Trazabilidad multiagente con confianza calibrada
Descubre cómo los grafos de conocimiento calibrados con confianza mejoran la trazabilidad en sistemas multiagente, evitando errores y conflictos en artefactos
#predicción de enlaces
Media conexión predice toda la conexión: Generalización en KGFMs
¿Basta media conexión para predecir una completa? Exploramos la generalización en KGFMs y su taxonomía de escenarios. ¡Descubre cómo mejoran!
Aprendizaje Inductivo de Grafos de Modelo para Completar Grafos de Conocimiento
MGIL aplica aprendizaje inductivo en grafos de modelo para mejorar la predicción de enlaces, logrando representaciones globales precisas.
MGIL: Aprendizaje Inductivo de Grafos de Modelo para Completar KG
Descubre MGIL: aprendizaje inductivo global para completar grafos de conocimiento con predicción de enlaces de vanguardia.
Aprendizaje de hiperparámetros para factorización latente de tensores en redes dinámicas
Descubre cómo DE-LFT automatiza la búsqueda de hiperparámetros en factorización de tensores para mejorar la precisión en redes dinámicas. Menos esfuerzo, mejores resultados.
Redes Neuronales Temporales Sheaf con Transporte Ortogonal Dinámico
Descubre cómo las redes neuronales sheaf temporales mejoran la predicción de enlaces en grafos con evolución temporal, usando marcos ortogonales dinámicos y transporte local.
Resolviendo la factorización tri-matricial no negativa ortogonal simétrica
Resuelve la factorización tri-matricial no negativa ortogonal simétrica. Algoritmos heurísticos para clustering y análisis de redes con resultados competitivos.
Link Prediction o Perdición: Semillas de Inestabilidad en Embeddings
Los modelos de embedding de grafos son fiables? Este estudio revela inestabilidad en predicciones debido a semillas aleatorias. Conoce las limitaciones del MRR.
Predicción de enlaces o perdición: inestabilidad en embeddings de grafos
Los modelos de embedding (KGEM) generan predicciones inestables en grafos de conocimiento. Las semillas aleatorias y la configuración afectan la fiabilidad. ¿Cómo solucionarlo?
¿Transferibles subestructuras comunes? Modelo fundacional Riemanniano de grafos
Descubre el modelo GAUGE: geometría Riemanniana y haces vectoriales para transferir subestructuras en grafos con predicción zero-shot.