用于时序知识图谱外推的负面感知扩散过程
人工智能
2026-02-10 v1
摘要
时序知识图谱（TKG）推理旨在从历史证据中预测未来缺失的事实。尽管扩散模型（DM）最近因其能够捕捉复杂预测分布而受到关注，但仍存在两个不足：(i) 生成路径仅基于正面证据进行条件化，忽略了有价值的负面上下文；(ii) 训练目标以交叉熵排序为主，这会提高候选人的排序，但对去噪嵌入的校准几乎没有监督。为弥合这一差距，我们引入了用于 TKG 外推的负面感知扩散模型（NADEx）。具体而言，NADEx 将实体、关系和时间间隔的主体中心历史编码为顺序嵌入。NADEx 在前向过程中扰动查询对象，并在逆向过程中以 Transformer 去噪器进行重构，条件化于时序-关系上下文。我们进一步推导了来自 batch 级负面原型的余弦对齐正则化器，这紧密了对不合情节候选人的决策边界。对四个公开 TKG 数据集进行的全面实验表明，NADEx 实现了最先进的性能。
关键词
引用
@article{arxiv.2602.08815,
title = {Negative-Aware Diffusion Process for Temporal Knowledge Graph Extrapolation},
author = {Yanglei Gan and Peng He and Yuxiang Cai and Run Lin and Guanyu Zhou and Qiao Liu},
journal= {arXiv preprint arXiv:2602.08815},
year = {2026}
}