연구자들은 지식 그래프 완성을 위해 여러 도메인 간 지식을 전이하기 위해 조건부 확산 모델을 적용하는 프레임워크 DMKGC를 제안했다. 이 방법은 각 지식 그래프를 엔티티 정보의 부분적 관점으로 취급하며, 지원 그래프에 조건을 부여하여 도메인 일반화 임베딩을 생성하고 도메인 고유 세부 정보는 보존한다.

  • 도메인 비종속 엔티티 임베딩을 사전으로 초기화하고 개별 KG 내에 인코딩한다.
  • 지원 KG의 동등한 엔티티를 융합하여 조건부 확산 생성을 유도한다.
  • 대리 목적 함수로 사전 임베딩을 사용하여 도메인 전반에 걸쳐 편향 없는 생성을 보장한다.
  • 3개 벤치마크의 14개 KG에서 최신 방법 대비 꼬리 엔티티 예측 평균 MRR이 4.3% 향상되었다.

이 접근 방식은 일관성 제약 방법이 본질적으로 가진 도메인 고유 문맥 정보가 억제될 위험을 해결하며, 특히 저자원 데이터 설정에서 지속적인 개선을 입증했다.