不可知分布偏移下知识图谱推理的规则学习
人工智能
2025-07-11 v3
摘要
逻辑规则学习是知识图谱(KG)推理方法中一类重要的研究方向，旨在从已观测事实中学习显式规则以推断缺失知识。然而，与所有 KG 推理方法一样，规则学习存在一个关键弱点——其对 I.I.D. 假设的依赖。由于训练过程中的选择偏差或测试时不可知的分布偏移（例如查询偏移场景），该假设很容易被违反，最终损害模型性能与可靠性。为了在开放环境中实现鲁棒的 KG 推理，本研究探讨了在不可知测试时分布偏移存在下的逻辑规则学习。我们将该挑战形式化定义为分布外(OOD) KG 推理——一个此前被低估的问题，并提出稳定规则学习(StableRule)框架作为解决方案。StableRule 是一个端到端框架，将特征去相关与规则学习网络相结合，以增强 KG 推理中的 OOD 泛化能力。通过利用特征去相关，StableRule 缓解了 OOD 场景中出现的协变量偏移带来的不利影响，提升了规则学习网络的鲁棒性。在七个基准 KG 上的大量实验表明，该框架在多种异构环境中具有卓越的有效性与稳定性，凸显了其在实际应用中的现实意义。
引用
@article{arxiv.2507.05110,
title = {Rule Learning for Knowledge Graph Reasoning under Agnostic Distribution Shift},
author = {Shixuan Liu and Yue He and Yunfei Wang and Hao Zou and Haoxiang Cheng and Wenjing Yang and Peng Cui and Zhong Liu},
journal= {arXiv preprint arXiv:2507.05110},
year = {2025}
}