基于扩散模型的自适应负采样：面向知识图谴补全的 DANS-KGC
人工智能
2025-11-12 v1
摘要
负采样 (NS) 策略在知识图谴表示中发挥关键作用。为克服现有负采样策略易产生误判负样本、泛化能力有限以及难以控制样本难度的局限，本文提出 DANS-KGC (Diffusion-based Adaptive Negative Sampling for Knowledge Graph Completion)。DANS-KGC 包含三个关键组件：难度评估模块 (DAM)、自适应负采样模块 (ANS) 和动态训练机制 (DTM)。DAM 通过整合语义特征和结构特征来评估实体的学习难度。基于此评估，ANS 采用难度感知噪声调度的条件扩散模型，在去噪阶段利用语义信息和邻域信息生成多样化难度的负样本。DTM 通过动态调整训练过程中负样本的难度分布，实现从易到难的课程式学习。在六个基准数据集上的大量实验表明，DANS-KGC 在 UMLS 和 YAGO3-10 数据集的所有三个评估指标上均实现了最先进的效果，展现了其有效性与广泛性。
引用
@article{arxiv.2511.07901,
title = {DANS-KGC: Diffusion Based Adaptive Negative Sampling for Knowledge Graph Completion},
author = {Haoning Li and Qinghua Huang},
journal= {arXiv preprint arXiv:2511.07901},
year = {2025}
}