知识图完成（又称〜链接预测），即〜从知识图推断缺失信息的任务是许多应用程序中广泛使用的任务，例如产品建议和问题答案。知识图嵌入和/或规则挖掘和推理的最新方法是数据驱动的，因此仅基于输入知识图所包含的信息。这导致了不令人满意的预测结果，这使得这种解决方案不适用于关键领域，例如医疗保健。为了进一步提高知识图完成的准确性，我们建议将知识图嵌入的数据驱动的能力与专家或累积制度（例如OWL2）引起的域特定于域的推理。通过这种方式，我们不仅使用可能不包含在输入知识图中的域知识增强了预测准确性，而且还允许用户插入自己的知识图嵌入和推理方法。我们的最初结果表明，我们通过最多3倍和优于混合解决方案来增强香草知识图嵌入的MRR准确性，这些溶液将知识图嵌入与规则挖掘和推理高达3.5倍MRR相结合。
translated by 谷歌翻译
参数服务器（PSS）促进用于大型机器学习任务的分布式培训。在本文中，我们认为现有的PSS是表现出非统一参数访问的任务的低效;他们的表现甚至可能落后于单节点基线。我们确定了这种非统一访问的两个主要来源：偏斜和抽样。现有的PSS不适合管理歪斜，因为它们统一地对所有参数应用相同的参数管理技术。它们对采样效率低下，因为PS对相关的随机访问感知并且无法利用局部性。为了克服这些性能限制，我们介绍了NUP，一种新的PS架构，（i）集成了多种管理技术，并采用了每个参数的合适技术，并且（ii）通过合适的采样基元和采样方案直接支持对受控质量进行采样。 - 效率折磨。在我们的实验研究中，NUPs优于现有的PSS，最多一种数量级，并在多台机器学习任务中提供了直线可扩展性。
translated by 谷歌翻译