面向新节点与新关系类型双重归纳链接预测的双重等变性
机器学习
2025-01-15 v8 人工智能
计算与语言
摘要
知识图谱中完全归纳式链接预测任务已获得显著关注，多种图神经网络被提出以应对该问题。此任务比仅含新节点的传统归纳链接预测更具挑战，因为模型必须能够对推断图中未见节点与未见关系类型进行零样本泛化。尽管新颖模型不断提出，对其成功背后统一理论理解仍 elusive，且这些方法的局限未被充分研究。本工作中，我们引入双重置换等变表示的概念，并论证其对该任务有效性能的必要性。我们表明许多现有模型虽架构设计各异，却符合此框架。然而，我们也识别出双重置换等变表示的内在局限，其限制了这些模型在具不同特征数据集上的有效学习能力。我们的发现表明，尽管双重等变性对跨不同领域知识图谱的元学习是必要的，却并不充分。双重置换等变模型与旨在跨所有领域学习模式的基石模型概念之间仍存在根本鸿沟。
引用
@article{arxiv.2302.01313,
title = {Double Equivariance for Inductive Link Prediction for Both New Nodes and New Relation Types},
author = {Jincheng Zhou and Yucheng Zhang and Jianfei Gao and Yangze Zhou and Bruno Ribeiro},
journal= {arXiv preprint arXiv:2302.01313},
year = {2025}
}