MarginPairwiseLoss

class MarginPairwiseLoss(margin: float = 1.0, margin_activation: str | Module | None = None, reduction: str = 'mean')

基础类：PairwiseLoss

广义边际排序损失。

\[L(k, \bar{k}) = g(f(\bar{k}) - f(k) + \lambda)\]

其中 \(k\) 是正三元组，\(\bar{k}\) 是负三元组，\(f\) 是交互函数（例如， pykeen.models.TransE 有 \(f(h,r,t)=-||\mathbf{e}_h+\mathbf{e}_r-\mathbf{e}_t||_p\)），\(g(x)\) 是一个激活 函数，如 ReLU 或 softmax，\(\lambda\) 是边界。

初始化边距损失实例。

Parameters:

• margin (float) – 正负分数应该分开的边距。

• margin_activation (str | Module | None) – 一个边界激活函数。默认为 'relu'，即 \(h(\Delta) = max(0, \Delta + \lambda)\)，这是默认的“边界损失”。使用 'softplus' 会导致“软边界”公式，如 https://arxiv.org/abs/1703.07737 中讨论的那样。

• reduction (str) – 用于将批次中的单个损失值聚合为标量损失值的归约操作的名称。可选值为 {‘mean’, ‘sum’}。

属性摘要

hpo_default

优化损失超参数的默认策略

方法总结

forward(pos_scores, neg_scores)	计算边际损失。
process_lcwa_scores(predictions, labels[, ...])	处理来自LCWA训练循环的分数。
process_slcwa_scores(positive_scores, ...[, ...])	处理来自sLCWA训练循环的分数。

属性文档

hpo_default: ClassVar[Mapping[str, Any]] = {'margin': {'high': 3, 'low': 0, 'type': <class 'float'>}, 'margin_activation': {'choices': {'hard', 'relu', 'soft', 'softplus'}, 'type': 'categorical'}}

优化损失超参数的默认策略

方法文档

forward(pos_scores: Tensor, neg_scores: Tensor) → Tensor

计算边际损失。

分数必须具有可广播的形状。

Parameters:

• pos_scores (Tensor) – 正分数。

• neg_scores (Tensor) – 负分数。

Returns:

一个标量损失项。

Return type:

Tensor

process_lcwa_scores(predictions: Tensor, labels: Tensor, label_smoothing: float | None = None, num_entities: int | None = None) → Tensor

处理来自LCWA训练循环的分数。

Parameters:

• predictions (Tensor) – 形状: (batch_size, num_entities) 分数。

• labels (Tensor) – 形状: (batch_size, num_entities) 标签。

• label_smoothing (float | None) – 一个可选的标签平滑参数。

• num_entities (int | None) – 实体数量（用于标签平滑的必需参数）。

Returns:

一个标量损失值。

Return type:

Tensor

process_slcwa_scores(positive_scores: Tensor, negative_scores: Tensor, label_smoothing: float | None = None, batch_filter: Tensor | None = None, num_entities: int | None = None) → Tensor

处理来自sLCWA训练循环的分数。

Parameters:

• positive_scores (Tensor) – 形状: (batch_size, 1) 正三元组的分数。

• negative_scores (Tensor) – 形状: (batch_size, num_neg_per_pos) 或 (num_unfiltered_negatives,) 负三元组的分数，可以是密集的2D形状，或者如果它们已经被过滤，可以是稀疏形状。如果它们以稀疏形状给出，还需要提供batch_filter。

• label_smoothing (float | None) – 一个可选的标签平滑参数。

• batch_filter (Tensor | None) – 形状: (batch_size, num_neg_per_pos) 一个可选的负分数过滤器，用于保留哪些负分数。仅在负分数已被预过滤时给出。

• num_entities (int | None) – 实体的数量。仅在启用标签平滑时需要。

Returns:

一个标量损失项。

Return type:

Tensor