基于去噪的鲁棒知识图谱嵌入
机器学习
2025-05-27 v1
摘要
我们关注在嵌入空间遭遇扰动时获取稳健的知识图谱嵌入。为此，我们引入一种新框架，即基于去噪的鲁棒知识图谱嵌入，通过增强对噪声三元组的鲁棒性。将 KGE 方法视为能量基模型，我们利用去噪与得分匹配之间的已建立联系，实现稳健的去噪 KGE 模型的训练。此外，我们提出了基于随机平滑概念的 KGE 方法认证鲁棒性评估指标。通过在基准数据集上的全面实验，我们的框架在面对扰动实体嵌入时始终优于现有最先进的 KGE 方法。
引用
@article{arxiv.2505.18171,
title = {Robust Knowledge Graph Embedding via Denoising},
author = {Tengwei Song and Xudong Ma and Yang Liu and Jie Luo},
journal= {arXiv preprint arXiv:2505.18171},
year = {2025}
}