通过潜嵌入共享与张量分解的联邦知识图谱补全
机器学习
2023-11-20 v1 人工智能
摘要
知识图谱（KGs）由三元组构成，其固有不完整，总需补全过程以预测缺失三元组。在真实场景中，KGs分布于各客户端，因隐私限制使补全任务复杂化。已有许多框架解决联邦知识图谱补全问题。然而，现有框架包括FedE、FedR与FEKG均存在局限：FedE有信息泄露风险，FedR在关系重叠极少时优化效能下降，FKGE受计算成本与模式崩溃问题困扰。为解决这些问题，我们提出一种新方法，即联邦潜嵌入共享张量分解（FLEST），一种利用联邦张量分解进行KG补全的新途径。FLEST分解嵌入矩阵并支持共享潜字典嵌入以降低隐私风险。实证结果展示了FLEST的有效性与高效性，在性能与隐私间提供了平衡方案。FLEST拓展了联邦张量分解在KG补全任务中的应用。
引用
@article{arxiv.2311.10341,
title = {Federated Knowledge Graph Completion via Latent Embedding Sharing and Tensor Factorization},
author = {Maolin Wang and Dun Zeng and Zenglin Xu and Ruocheng Guo and Xiangyu Zhao},
journal= {arXiv preprint arXiv:2311.10341},
year = {2023}
}
备注
Accepted by ICDM 2023