knowledge graph embedding
PulseAugur coverage of knowledge graph embedding — every cluster mentioning knowledge graph embedding across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究应对知识图谱嵌入的挑战与不确定性
两篇新的arXiv论文深入探讨了知识图谱嵌入（KGE）和表示学习的复杂性。第一篇论文介绍了KGATE，这是一个模块化的Python库，旨在通过提供一个灵活的框架来组装各种组件，从而简化KGE模型的训练和比较。第二篇论文解决了KGE中不确定性的关键问题，提出了量化和管理算法及预测不确定性的方法，以提高高风险应用中KGE预测的可靠性。
-
新框架融合多种技术以改进本体对齐
研究人员开发了OntoAligner-Ensemble，一个旨在通过结合各种技术的预测来改进本体对齐的框架。该集成方法采用两阶段的投票式融合和融合后选择过程来协调不同的对齐器输出。该框架支持集成轻量级字符串对齐器、知识图谱嵌入模型和基于大型语言模型的方法，在多个基准任务中展示了精确率和召回率的一致性提升。
-
新框架增强知识图谱嵌入负采样
研究人员开发了 PyKEEN-NSX，一个旨在增强 PyKEEN 知识图谱嵌入库中负采样策略的新模块化框架。该扩展通过提供一个统一的系统来创建高级负采样器，解决了现有 KGE 库的局限性。PyKEEN-NSX 将候选负池的生成与选择过程分开，能够集成静态、模式感知和动态方法，并包含六个新的负采样器。
-
FlowNeg 方法通过多样化负采样增强知识图谱嵌入
研究人员开发了 FlowNeg，一种用于在知识图谱嵌入 (KGE) 模型中生成多样化且信息丰富的负样本的新方法。该方法利用上下文条件分层生成流网络来选择既是困难负样本又避免与正例冲突的实体。跨不同架构和基准的实验表明，FlowNeg 在平均倒数排名 (MRR) 方面优于 EMU 和 IF-NS 等现有方法，证明了其在改进 KGE 模型学习方面的有效性。
-
Pinterest广告利用图谱嵌入技术提升点击率和转化率
研究人员开发了一种新颖的方法，通过将用户站内和站外转化数据整合到一个大规模异构图谱中来增强广告模型。该方法使用了一种名为TransRA的知识图谱嵌入（KGE）模型，该模型经过改编以更好地将图谱嵌入整合到广告排名模型中。在初步遇到挑战后，采用了基于注意力机制的KGE微调方法和大型ID嵌入表技术，从而在点击率（CTR）和转化率（CVR）预测方面取得了显著改进。该框架已成功部署到Pinterest的广告参与度模型中，带来了显著的CTR提升和CPC降低。
-
FlowNeg方法通过多样化的负采样增强知识图谱嵌入
研究人员开发了FlowNeg，一种用于知识图谱嵌入（KGE）模型生成多样化且信息丰富的负样本的新颖方法。该方法利用上下文条件分层生成流网络来分摊与奖励成比例的采样，根据模型基础硬度和避免与保留正样本冲突的结构化分数相结合的奖励来选择实体类型，然后选择特定实体。跨不同架构和基准的实验表明，FlowNeg在平均MRR方面始终优于EMU和IF-NS等现有方法，证明了其在改进KGE模型学习方面的有效性。
-
新框架将语义知识注入交通预测模型
研究人员开发了一个新的时空交通预测框架，通过整合外部语义知识来增强图神经网络（GNN）。该方法利用Wikidata等通用知识图谱创建嵌入，以捕捉超越物理道路网络的关联。通过将这些语义嵌入与传统的交通传感器数据融合，该框架使GNN能够从上下文信息中学习，从而提高交通预测模型的预测准确性和可解释性。
-
新的HydroAgent框架将预报员的专业知识形式化以进行洪水预测
研究人员开发了HydroAgent，一个将大型语言模型（LLMs）集成到洪水预报工作流程中的新颖框架。该系统旨在通过在LLM推理中嵌入明确的规则来指导操作预警决策，从而将人类预报员的默示专业知识形式化。在南亚姆希尔河流域使用五种不同的LLM进行测试，HydroAgent证明了其在大多数事件中以5%的容差准确预测峰值流量和洪水量的能力，显著优于现有的基线方案。
-
新方法使用与非门图进行可扩展硬件木马检测
研究人员开发了一种新颖的方法，通过将大型片上系统（SoC）设计表示为与非门图（AIGs）来检测其中的硬件木马。该方法利用知识图嵌入来创建电路结构的紧凑、固定大小的表示，从而使复杂性能够与边数成线性扩展。该方法能够跨深度数据通路进行符号学习，以识别指示木马的罕见、不一致的连接，并在实验中展示了实际的可扩展性和木马与良性节点之间的清晰分离。
-
AI框架利用知识图谱对生物医学注释进行优先级排序
研究人员开发了一个新框架，通过利用知识图谱对候选注释进行优先级排序，来提高生物医学策展的效率。该方法利用机器学习和知识图谱嵌入来估计注释的可信度，将分类器置信度与语义上下文相结合。实验表明，该方法增强了分类器的鲁棒性，并且优于传统的置信度估计，从而实现了更有效的专家评审和AI辅助策展。
-
新框架ReaLM融合知识图谱嵌入与大语言模型；研究发现知识图谱嵌入模型不稳定
研究人员开发了ReaLM，一个通过将知识图谱嵌入离散化为可学习的token来连接知识图谱嵌入与大语言模型的新框架。该方法允许符号知识和上下文知识更有效地融合，在基准数据集上表现优于现有方法。另外，一项分析知识图谱嵌入模型的研究发现，高性能模型会产生高度可变的预测和嵌入空间，随机种子和其他随机因素显著影响结果。这种不稳定性引发了对当前知识图谱补全基准测试协议可靠性的担忧。
-
知识图谱嵌入近似SEL中的概率推理
研究人员开发了一种利用知识图谱嵌入来近似统计EL（SEL）中概率推理的方法。该方法旨在提高从统计信息中得出结论的效率。论文包含了运行时间和正确性的理论证明，以及对该方法速度和准确性的实证评估。
-
新框架应对知识图谱嵌入中的隐私风险
研究人员开发了一个框架，用于识别和缓解知识图谱嵌入（KGEs）中的隐私风险。该研究展示了攻击者如何从KGEs输出中推断敏感用户属性，即使这些信息未被明确存储。提出的防御机制包括对KGEs结果进行后处理以进行净化，从而在推荐质量和增强的隐私保护之间取得平衡。
-
KrausKGE模型通过新的数学框架推进知识图谱嵌入
研究人员引入了一种新的知识图谱嵌入（KGE）框架，称为KrausKGE，它利用源自数学公理的Kraus通道结构。这种方法为KGE中的关系算子提供了原则性的基础，超越了外部强加的条件。该模型自然地处理复杂的1对N和N对N关系，无需显式路径编码器即可支持多跳推理，并消除了对实体嵌入的范数约束的需要。实证结果表明，KrausKGE的性能优于现有基线，尤其是在N对N关系上，这与理论预测一致。
-
FixV2W 使用知识图谱嵌入提高 CVE-CWE 映射的准确性
研究人员开发了 FixV2W，一种提高通用漏洞披露 (CVE) 和通用弱点枚举 (CWE) 条目之间映射准确性的新方法。该方法利用知识图谱嵌入和历史数据分析来纠正国家漏洞数据库 (NVD) 等公共数据库中发现的不一致之处。该系统显示出显著的改进，正确映射了 69% 的已被利用但具有先前无效 CWE 的漏洞，并将机器学习模型的平均倒数排名 (MRR) 从 0.174 提高到 0.608。
-
研究揭示知识图谱嵌入中的灾难性遗忘被低估
研究人员在评估持续知识图谱嵌入（CKGE）方法时发现了一个重大问题，称为“实体干扰”。当引入新实体到知识图谱中时，会破坏现有的嵌入，导致预测错误。目前的评估协议忽略了这种干扰，导致CKGE方法的性能被高估高达25%。该研究提出了一个修正的评估协议和一个新指标，以准确评估不断演变的知识图谱中的灾难性遗忘。