TY  - THES
AB  - In den letzten zwei Jahrzehnten haben wir eine technologische Revolution erlebt,bei der Deep Learning zweifellos eine zentrale Rolle spielt. Die Idee von lernendenkontinuierlichen Vektordarstellungen für Eingaben hat in den letzten Jahren zu vielenwissenschaftlichen und industriellen Erfolgen beigetragen.Diese Arbeit befasst sich mit dem lernenden kontinuierlichen Vektordarstellungenfür Wissensgraphen. Obwohl graphenstrukturierte Daten in der Natur allgegenwärtigsind, können die meisten Algorithmen für maschinelles Lernen nicht direkt auf solchediskreten Daten angewendet werden. Zur Lösung von Lernproblemen, die über graphen-strukturierte Daten definiert sind, ist daher ein Feature-Engineering-Prozess erforder-lich, um die meisten maschinellen Lernalgorithmen zu nutzen. Dieser Prozess ist jedochoft kostspielig, mühsam und manchmal sogar undurchführbar. In dieser Arbeit schlagenwir acht Modelle zur Einbettung von Wissensgraphen vor, die kontinuierliche Vek-tordarstellungen erlernen, um die State-of-the-Art-Leistung bei Benchmark-Aufgabenwie der Vorhersage von Beziehungen, der Vorhersage von Links und dem Lernen vonBeschreibungslogikkonzepten zu verbessern. Durch lernende kontinuierliche Reprä-sentationen werden Algorithmen des maschinellen Lernens für grafisch strukturierteDaten zugänglich. Darüber hinaus stellen wir eine Dekompositionstechnik vor, die dieParametereffizienz eines Modells durch das Lernen komprimierter kontinuierlicher Vek-tordarstellungen verbessert. Außerdem stellen wir eine Parameter-Ensemble-Technikvor, die die Generalisierungsleistung eines Modells bei der Vorhersage von Verbindun-gen praktisch ohne zusätzliche Kosten steigert. Schließlich demonstrieren wir jeweilsein industrielles und ein wissenschaftliches Anwendungsbeispiel auf der Grundlageunserer wissenschaftlichen und softwaretechnischen Beiträge.Abschlie
AU  - Demir, Caglar
CY  - Paderborn
DA  - 2023
DO  - 10.17619/UNIPB/1-1782
DP  - Universität Paderborn
LA  - eng
N1  - Tag der Verteidigung: 23.06.2023
N1  - Universität Paderborn, Dissertation, 2023
PB  - Veröffentlichungen der Universität
PY  - 2023
SP  - 1 Online-Ressource (xv, 216 Seiten)
T2  - Fakultät für Elektrotechnik, Informatik und Mathematik
TI  - Learning continuous representations for Knowledge Graphs
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-45448
Y2  - 2025-04-25T18:31:42
ER  -