基于扩散的层次化负采样用于多模态知识图谱完成
人工智能
2025-01-28 v1 计算与语言
摘要
多模态知识图谱完成（MMKGC）旨在解决多模态知识图谱（MMKGS）中缺失知识的关键问题，以利其更好应用。然而，前人的MMKGC和负采样（NS）方法忽略了利用多模态信息从各种语义层次和难度层次生成多样且高质量负三元组的机会，从而限制了训练MMKGC模型的效果。因此，我们提出了一种针对MMKGC任务的新型基于扩散的层次化负采样（DHNS）方案，该方案通过利用基于扩散的层次化嵌入生成（DiffHEG）来解决生成高质量负三元组的挑战，逐步以实体、关系以及多模态语义为条件。此外，我们开发了负三元组自适应训练（NTAT）策略，动态调整与合成负三元组难度水平相关的训练边际，促进更稳健和有效的学习过程，以区分正负三元组。广泛的实验在三个MMKGC基准数据集上表明，我们的框架在多个最先进的MMKGC模型和负采样技术上均实现了卓越的性能，说明了DHNS在训练MMKGC模型方面的有效性。本论文的源代码和数据集已公开于https://github.com/ngl567/DHNS。
引用
@article{arxiv.2501.15393,
title = {Diffusion-based Hierarchical Negative Sampling for Multimodal Knowledge Graph Completion},
author = {Guanglin Niu and Xiaowei Zhang},
journal= {arXiv preprint arXiv:2501.15393},
year = {2025}
}
备注
The version of a full paper accepted to DASFAA 2025