Сколько и сколько? Контрастное обучение с отрицательными образцами для графического отображения знаний

arXiv:2610.37389v1 Тип анонсации: новое резюме: создание графа знаний (KGE) - фундаментальной технологии для применения в сети, ориентированной на знания и KG-AI, - обычно обучается посредством контрастного обучения с отрицательными образцами для изучения дискриминационных представлений. Несмотря на ее эмпирический успех, остаются недоисследованными два важнейших вопроса в отношении негативных проб: (В1) сколько отрицательных образцов должно использоваться для каждой позитивной пробы и (В2) какова должна быть доля каждого негативного образца, способствовавшего изучению? Для ответа на эти вопросы мы предлагаем РАДАР, новую контрастную систему обучения моделей KGE с двумя эффективными стратегиями, соответственно: 1) понимая негативные бюджетные ассигнования, количественно определяет риск ложной негативности выборки путем моделирования открытого мира KG в качестве стохастического частичного наблюдения за своим партнером из замкнутого мира и адаптивно распределяет отрицательный бюджет для каждой позитивной пробы исходя из своего риска; 2) распределенное отрицательное взвешивание присваивает отрицательные весаb