重新审视持续知识图谱嵌入中的灾难性遗忘
机器学习
2026-04-22 v1 人工智能
摘要
知识图谱嵌入（Knowledge Graph Embeddings, KGEs）支持知识图谱（KGs）上的广泛下游任务。在实践中，KG 随着新实体和事实的添加而演进，促使持续知识图谱嵌入（Continual Knowledge Graph Embedding, CKGE）方法随时间更新嵌入。当前的 CKGE 方法主要通过限制对现有嵌入的更改来解决灾难性遗忘（即在先前学习任务上的性能下降）。然而，我们表明这一观点是不完整的。当引入新实体时，其嵌入可能会干扰先前学习的嵌入，导致模型将它们预测为先前正确答案的替代。我们将这种现象称为实体干扰，这在很大程度上被忽视，且未在当前的 CKGE 评估协议中予以考虑。结果，对灾难性遗忘的评估变得具有误导性，CKGE 方法的性能被系统性高估。为解决此问题，我们引入了一种考虑实体干扰的修正后 CKGE 评估协议。通过在多个基准上的实验，我们表明忽略这一效应可导致高达 25% 的性能高估，尤其是在实体显著增长的场景中。我们进一步分析了不同的 CKGE 方法和 KGE 模型如何受不同遗忘来源的影响，并引入了针对 CKGE 量身定制的灾难性遗忘指标。
引用
@article{arxiv.2604.19401,
title = {Revisiting Catastrophic Forgetting in Continual Knowledge Graph Embedding},
author = {Gerard Pons and Carlos Escolano and Besim Bilalli and Anna Queralt},
journal= {arXiv preprint arXiv:2604.19401},
year = {2026}
}
备注
Pre-print submitted