Observatorio de información y Publicaciones

Resumen: Los métodos convencionales de finalización de gráficos de conocimiento (KGC) tienen como objetivo inferir información faltante en gráficos de conocimiento (KG) incompletos aprovechando la información existente, que tiene dificultades para funcionar de manera efectiva en escenarios que involucran entidades emergentes.

Resumen: La fabricación aditiva (AM) se basa fundamentalmente en la comprensión y extrapolación de las relaciones proceso-propiedad; sin embargo, los enfoques existentes basados ​​en datos siguen estando limitados por representaciones de conocimiento fragmentadas y una extrapolación poco confiable en condiciones de escasez de datos.

Resumen: estimaciones de relevancia aprendida. Usamos esta medida de fuga para definir una noción rigurosa de desenredo y la incluimos como regularizador durante el entrenamiento del modelo para reducir el sesgo. Además, incorporamos un estimador de inferencia causal, es decir, un estimador doblemente robusto, para garantizar una estimación del riesgo más confiable.