Исследователи предлагают DMKGC, фреймворк, который применяет условные диффузионные модели для передачи знаний между несколькими доменами при завершении графа знаний. Метод рассматривает каждый граф знаний как частичное представление информации об сущностях, генерируя доменно-общие эмбеддинги, обусловленные опорными графами, при этом сохраняя доменно-специфичные детали.
- Инициализирует доменно-независимые эмбеддинги сущностей как априорные и кодирует их в индивидуальных KG.
- Объединяет эквивалентные сущности из опорных KG для управления условной диффузионной генерацией.
- Использует априорные эмбеддинги в качестве прокси-целей для обеспечения несмещенной генерации между доменами.
- Достигает улучшения среднего MRR на 4,3% в предсказании хвостовых сущностей по сравнению с современными методами на 14 KG в 3 бенчмарках.
Подход устраняет риск подавления доменно-специфичной контекстной информации, присущей методам с согласованными ограничениями, демонстрируя устойчивые улучшения, особенно в условиях данных с низким ресурсом.