Los investigadores proponen DMKGC, un marco que aplica modelos de difusión condicional para transferir conocimiento entre múltiples dominios para la finalización de grafos de conocimiento. El método trata cada grafo de conocimiento como una vista parcial de la información de entidades, generando incrustaciones generales del dominio condicionadas a los grafos de soporte mientras preserva los detalles específicos del dominio.
- Inicializa incrustaciones de entidades independientes del dominio como priores y las codifica dentro de KG individuales.
- Fusiona entidades equivalentes de los KG de soporte para guiar la generación de difusión condicional.
- Utiliza incrustaciones previas como objetivos proxy para garantizar una generación no sesgada entre dominios.
- Logra una mejora promedio del MRR del 4,3% en la predicción de entidades finales sobre métodos de última generación en 14 KG en 3 benchmarks.
El enfoque aborda el riesgo de suprimir la información contextual específica del dominio inherente a los métodos con restricciones de consistencia, demostrando ganancias sostenidas especialmente en configuraciones de datos con pocos recursos.