Les chercheurs proposent DMKGC, un cadre qui applique des modèles de diffusion conditionnels pour transférer des connaissances entre plusieurs domaines en vue de l'achèvement de graphes de connaissances. La méthode traite chaque graphe de connaissances comme une vue partielle des informations sur les entités, générant des embeddings généralisés au domaine conditionnés par des graphes de support tout en préservant les détails spécifiques au domaine.
- Initialise des embeddings d'entités indépendants du domaine comme a priori et les encode dans des KG individuels.
- Fusionne les entités équivalentes des KG de support pour guider la génération par diffusion conditionnelle.
- Utilise les embeddings a priori comme objectifs proxy pour garantir une génération non biaisée à travers les domaines.
- Réalise une amélioration moyenne du MRR de 4,3 % pour la prédiction des entités terminales sur 14 KG dans 3 benchmarks par rapport aux méthodes les plus avancées.
L'approche traite le risque de suppression des informations contextuelles spécifiques au domaine inhérent aux méthodes à contraintes de cohérence, démontrant des gains sostenus, en particulier dans des configurations de données à faibles ressources.