Meta-Learning Based Knowledge Extrapolation for Knowledge Graphs in theFederated Setting

摘要

我们研究了知识外推问题，以在联邦设置中嵌入新兴知识图(KGs)带来的新组件(即实体和关系)。在这个问题中，在现有的KG上训练的模型需要嵌入一个新的KG，其中包含不可见的实体和关系。为了解决这个问题，我们引入了元学习设置，在现有的KG上采样一组任务来模拟新KG上的链接预测任务。基于采样任务，我们元训练了一个图神经网络框架，该框架可以基于结构信息为未见组件构建特征并为其输出嵌入。实验结果表明，我们提出的方法可以有效地嵌入未见组件，并且优于直接使用传统KG嵌入方法的考虑KG和基线的归纳设置的模型1。

1.介绍

知识图(Knowledge graph, KGs)是由大量三元组组成的表达性数据结构，其形式为(头实体、关系实体、尾实体)。如今，许多大规模的KGs已经成为越来越多应用的重要数据支持[Zhang等，2016;Yasunaga et al .， 2021]。随着KG的发展，它们不再仅仅以集中的方式应用(KG的所有三元组都可以在一台设备上访问)，而是以分散的方式应用。据我们所知，许多移动应用程序都在用户的设备上构建个人kg，当然，新设备上的新kg随时都会出现。然而，众所周知，传统的大型kg是不完整的;因此，新兴的kg也存在这个问题。对于KG完成，广泛的研究致力于通过学习低维向量表示(即知识图嵌入)来预测缺失的链接，这些实体和关系被证明是有效的。

然而，知识图嵌入(KGE)方法在实际应用中并不完美。传统的KGE方法不能处理新的关系和实体，因为它们学习的是一组固定的实体和关系的嵌入。如上所述，新兴的KG通常伴随着新的关系和实体。如图1所示，出现的KG包含一个看不见的实体Org。B和一个不可见的关系TeacherOf，因此在现有KG上训练的KGE模型不能应用于基于新出现的KG中的支持三元组查询这些不可见组件的