公开(公告)号：DE112019004387T5

公开(公告)日：2021-05-20

申请号：DE112019004387

申请日：2019-11-22

Applicant: IBM

Inventor： SCHEIDELER TIM ,  RUEGER ERIK ,  RAVIZZA STEFAN ,  FLOETHER FREDERIK

IPC: G06F16/35 ,  G06F16/2453 ,  G06F16/31 ,  G06F16/901

Abstract: Ein Verfahren zum Unterteilen eines Wissensgraphen wird bereitgestellt. Das Verfahren analysiert vergangene Suchvorgänge und ermittelt eine Zugriffshäufigkeit auf eine Mehrzahl von Kanten. Das Verfahren markiert Kanten mit den höchsten Zugriffshäufigkeiten als Zwischen-Cluster-Kerne, ordnet die markierten Zwischen-Cluster-Kerne gemäß ihrer Zugriffshäufigkeiten und wählt einen ersten Cluster-Kern mit der höchsten Zugriffshäufigkeit aus. Das Verfahren weist erste Kanten in einem ersten Radius um den ersten Cluster-Kern herum zu, um den ersten Cluster zu erstellen. Das Verfahren wählt einen zweiten Cluster-Kern aus, der abgesehen von Kanten des ersten Clusters die höchste Zugriffshäufigkeit aufweist, und weist zweite Kanten in einem zweiten Radius um den zweiten Cluster-Kern herum zu, um den zweiten Cluster zu erstellen. Das Verfahren unterteilt den Wissensgraphen in einen ersten Teilwissensgraphen, der den ersten Cluster aufweist, und einen zweiten Teilwissensgraphen, der den zweiten Cluster aufweist.

公开(公告)号：DE112020000537T5

公开(公告)日：2021-10-21

申请号：DE112020000537

申请日：2020-03-18

Applicant: IBM

Inventor： CHALOULOS GEORGIOS ,  FLOETHER FREDERIK ,  GRAF FLORIAN ,  LUSTENBERGER PATRICK ,  RAVIZZA STEFAN ,  SLOTTKE ERIC

IPC: G06N20/00 ,  G06N3/02

Abstract: Ein auf einem Computer implementiertes Verfahren zum Verbessern von Fairness in einem Modell für überwachtes maschinelles Lernen kann bereitgestellt werden. Das Verfahren weist ein Verknüpfen des Modells für überwachtes maschinelles Lernen mit einem Metamodell für bestärkendes Lernen, ein Auswählen einer Liste von Hyperparametern und Parametern des Modells für überwachtes maschinelles Lernen und ein Steuern zumindest eines Aspekts des Modells für überwachtes maschinelles Lernen durch Anpassen von Hyperparameterwerten und Parameterwerten der Liste von Hyperparametern und Parametern des Modells für überwachtes maschinelles Lernen durch eine Engine für bestärkendes Lernen, die sich auf das Metamodell für bestärkendes Lernen bezieht, durch Berechnen einer Belohnungsfunktion auf Grundlage mehrerer sich widersprechender Zielfunktionen auf. Das Verfahren weist des Weiteren ein iteratives Wiederholen der Schritte des Auswählens und Steuerns zum Verbessern eines Fairness-Wertes des Modells für überwachtes maschinelles Lernen auf.

公开(公告)号：AU2020237583A1

公开(公告)日：2021-09-30

申请号：AU2020237583

申请日：2020-02-19

Applicant: IBM

Inventor： RAVIZZA STEFAN ,  FLOETHER FREDERIK ,  GRAF FLORIAN ,  RUEGER ERIK ,  GIOVANNINI ANDREA

IPC: G06F16/215 ,  G06F16/901

Abstract: A method for linking a first knowledge graph (KG) and a second KG in the presence of a third KG is provided. Content of nodes of the first KG is compared to nodes of the second KG. If a first KG node has a content relationship to a related second KG node, an edge identified by a tuple identifying the first KG and the first KG node and a tuple identifying the second KG and the second KG node is stored in a meta-layer KG. The method comprises comparing content of the nodes from the third KG with the content of nodes from the first and second KG, and in case relationships are identified, more complex tuples establishing this relationship in the meta-layer are stored. Finally, the method also comprises storing at least all nodes and edges of the meta-layer knowledge graph.

公开(公告)号：AU2020394499A1

公开(公告)日：2022-04-28

申请号：AU2020394499

申请日：2020-11-25

Applicant: IBM

Inventor： GIOVANNINI ANDREA ,  CHALOULOS GEORGIOS ,  FLOETHER FREDERIK ,  LUSTENBERGER PATRICK ,  MESTERHAZY DAVID ,  RAVIZZA STEFAN ,  SLOTTKE ERIC

IPC: G06N20/20 ,  G06N7/00

Abstract: Aspects of the present invention disclose a method for verifying labels of records of a dataset. The records comprise sample data and a related label out of a plurality of labels. The method includes one or more processors dividing the dataset into a training dataset comprising records relating to a selected label and an inference dataset comprising records with sample data relating to the selected label and all other labels out of the plurality of labels. The method further includes dividing the training dataset into a plurality of learner training datasets that comprise at least one sample relating to the selected label. The method further includes training a plurality of label-specific few-shot learners with one of the learner training datasets. The method further includes performing inference by the plurality of trained label-specific few-shot learners on the inference dataset to generate a plurality of sets of predicted label output values.