面向知识图谱持续学习的弹性权重整合：实证评估
机器学习
2025-12-02 v1
摘要
知识图谱(KG)需要不断更新以融入新信息，但神经嵌入模型在顺序学习新任务时会遭受恐慌遗忘。我们在FB15k-237上使用TransE嵌入进行KG链接预测，评估了弹性权重整合(EWC)这种基于正则化的持续学习方法。通过多个实验（使用五个随机种子），我们发现EWC将恐慌遗忘率从12.62%降至6.85%，相较于朴素顺序训练实现45.7%的降低。我们观察到任务分区策略影响遗忘幅度：基于关系的分区(按关系类型分组三元组)比随机分区的任务遗忘高出9.8个百分点(12.62% vs 2.81%)，表明任务构建方式影响评估结果。虽然聚焦于单一嵌入模型和数据集，但我们的结果表明EWC有效缓解了KG持续学习中的恐慌遗忘，并突显了评估协议设计的重要性。
引用
@article{arxiv.2512.01890,
title = {Elastic Weight Consolidation for Knowledge Graph Continual Learning: An Empirical Evaluation},
author = {Gaganpreet Jhajj and Fuhua Lin},
journal= {arXiv preprint arXiv:2512.01890},
year = {2025}
}
备注
Accepted to NORA Workshop at NeurIPS 2025