SAFRAN: интерпретируемый метод прогнозирования ссылок на основе правил, превосходящий модели внедрения

Модели машинного обучения на основе нейронных вкраплений показали перспективность для прогнозирования новых связей в графах знаний. К сожалению, их практическая польза снижается из-за недостаточной интерпретируемости.

Недавно полностью интерпретируемый основанный на правилах алгоритм AnyBURL показал конкурентоспособные результаты на многих эталонных тестах общего назначения для предсказания ссылок.

Однако существующие подходы к объединению прогнозов, сделанных на основе множества правил, страдают от избыточности.

Авторы данной работы улучшили AnyBURL, представив структуру применения правил SAFRAN, которая использует новый подход к агрегированию под названием Non-redundant Noisy-OR, который обнаруживает и группирует избыточные правила перед агрегированием.

Ссылка на статью: https://arxiv.org/pdf/2109.08002v1.pdf

Ссылка на GitHub: https://github.com/OpenBioLink/SAFRAN

Источник: github.com

Комментарии: