知识图谱嵌入过拟合普遍，新正则化方法SPR提出

Linyu Li 等作者提交的实证研究称，过拟合在翻译模型、张量分解、GNN、时序与多模态等知识图谱嵌入（KGE）模型家族中普遍存在，适当正则化可提升泛化与预测性能。 基于这一发现，作者提出稀疏峰值正则化（SPR）：将基于排序的选择性稀疏引入正则化目标，只惩罚主导高能量嵌入分量，不惩罚低能量分量。作者称，在八个基准数据集上，SPR 在几乎所有设置下均优于 N3、DURA、ER 等现有正则化方法。

AI 根据报道生成 · 57 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。