通过对抗修改研究链接预测的鲁棒性与可解释性

在嵌入空间中表示实体与关系是关系数据机器学习的成熟方法。然而，现有方法主要关注提升准确率，而忽视了鲁棒性与可解释性等其他方面。本文中，我们提出针对链接预测模型的对抗修改：在模型重新训练后，识别加入或移除知识图谱中会改变目标事实预测的事实。利用这些图的单点修改，我们识别对预测链接最具影响的事实，并评估模型对添加虚假事实的敏感性。我们引入一种高效方法，通过近似知识图谱变化时嵌入的改变来估计此类修改的影响。为避免对所有可能事实的组合搜索，我们训练一个网络将嵌入解码为其对应的图组件，从而允许使用基于梯度的优化来识别对抗修改。我们利用这些技术评估链接预测模型的鲁棒性（通过测量对附加事实的敏感性），通过最负责任预测的事实研究可解释性（通过识别最具影响的邻居），并检测知识库中的错误事实。