英国bet356亚洲版

信息技术研究生论坛

时间：2022年11月8日（星期二）15:00-17:00

地点：计算机与电子信息学院601教室

报告题目一：LargeEA Aligning Entities for Large-scale Knowledge Graphs

报告人：莫少聪

报告简介：实体对齐（EA）旨在寻找不同知识图谱（KG）中的等价实体。基于嵌入的方法 在最近几年中主导了EA任务。这些方法面临的问题来自于嵌入向量的几何特性。 包括枢纽性和隔离性。为了解决这些几何问题，许多规范化方法已被用于EA。 然而，由于KGs的规模越来越大，EA模型很难采用归一化过程。 采用归一化过程，从而限制了它们在现实世界中的应用。 现实世界的应用。为了应对这一挑战，我们提出了ClusterEA，一个能够扩大EA模型规模的通用框架 并通过利用规范化方法增强其结果 该框架能够扩大EA模型的规模，并通过利用具有高实体等价率的小型批次的规范化方法来增强其结果。

报告题目二：小样本多模态肝癌分类算法研究

报告人：邱俊铼

报告简介：单一模态数据所能提供的信息往往十分有限，多模态数据融合方法不仅能够抽取所有模态的公共信息，而且还能够很好地结合互补信息，同时探索所有模态的显式或隐式互补信息。报告介绍了多种肝癌多模态影像数据融合算法，并提出了一种基于监督对比学习的多模态肝癌影像分类模型，既可以像传统的对比学习方式那样利用图像增强构造出来样本对进行训练，同时还可以充分利用有标签的样本对模型进行修正。

报告题目三：基于融合符号逻辑和表示学习的知识图谱推理算法研究

报告人：刘春雨

报告简介：知识图谱推理是将推理任务进行简化并限定在基于知识图谱的图结构上，完成关系推理和事实预测的重要技术。在知识图谱上完成推理的两种不同方法包括基于符号逻辑的推理和基于表示学习的推理。传统的符号逻辑推理依赖人工构建规则，可扩展性不高，且不易于处理不确定的隐含知识，因此需要研究规则的自动学习方法，而之前提出的基于符号搜索的规则学习方法（如PRA，AMIE）等存在着搜索空间过大的问题。单一依靠实体和关系的嵌入表示学习的方法，不具有可解释性，且不足以支持规则层面的推理能力。因此，近年来许多研究者开始考虑实现符号逻辑和表示学习的有机融合，利用嵌入表示学习来实现规则学习以加速规则学习的过程，并让规则推理过程更易于捕获隐含的知识逻辑，这是知识图谱推理技术的重要发展方向。本次报告分别对基于符号逻辑和基于表示学习的知识图谱推理算法进行介绍，并对目前已有的一些融合算法进行比较，对不同的融合的思路进行探讨。

欢迎广大师生踊跃参加！