בעולם שבו גרפי ידע (KGs) הם הבסיס ליישומי AI מתקדמים, אתגר מרכזי הוא טיפול בעובדות היפר-יחסיות – טריפלטים עם מספר בלתי מוגבל של מזכירות שמעשירות את המשמעות. שיטות קיימות לחיזוי קישורים מוגבלות להקשר טרנסדוקטיבי, כלומר למילון ספציפי של הגרף, ומתקשות להתמודד עם מילון חדש. כאן נכנס THOR, שיטה אינדוקטיבית חדשה לחיזוי קישורים בגרפי ידע היפר-יחסיים (HKGs), שמאפשרת הכללה לנתונים חדשים לחלוטין.
THOR בונה שני גרפים יסודיים: גרף יחסים וגרף ישויות, שמתארים אינטראקציות בין-ועל-תוך עובדות ללא תלות ביחסים או ישויות ספציפיים. השיטה משתמשת בשני מקודדי גרף מקבילים ואחריהם מקודד טרנספורמר, שמאפשר אימון מסוכן יעיל והסקה אינדוקטיבית מלאה. לפי החוקרים, מודל זה לוכדת מבנים בסיסיים שניתנים להעברה בין גרפים שונים.
בבדיקות מקיפות על 12 מערכי נתונים, THOR עלה על מתחרים רבים: שיפור של 66.1% על שיטות מבוססות-כללים, 55.9% על שיטות חצי-אינדוקטיביות ו-20.4% על שיטות אינדוקטיביות מלאות. מחקרי הסרה אישרו את תרומתם של הגרפים היסודיים והארכיטקטורה המקבילה לביצועים.
משמעות THOR לעולם העסקי היא עצומה: גרפי ידע משמשים במערכות המלצה, חיפוש סמנטי וניתוח נתונים מורכבים. השיטה מאפשרת לבנות מודלים גמישים שמתאימים לנתונים חדשים בזמן אמת, ללא אימון מחדש – יתרון קריטי לחברות ישראליות בתחום ה-AI כמו סטארט-אפים בפינטק או בריאות, שמתמודדות עם נתונים משתנים.
עבור מנהלי טכנולוגיה, THOR פותח אפשרויות לשדרוג מערכות קיימות. האם הגיע הזמן לבדוק כיצד חיזוי קישורים אינדוקטיבי יכול לשפר את היישומים שלכם? קראו את המאמר המלא ב-arXiv כדי להתחיל ליישם.