知识图谱表示学习中的不确定性

arXiv:2610.06974v1 公告类型：新 摘要：知识图谱嵌入（KGE）方法将实体和谓词表示为连续向量空间中的向量，以推断缺失的知识。尽管在基准测试中表现出色，但其预测通常缺乏有原则的可靠性保证，限制了其在高风险应用中的使用。此外，从不完整或概率化的输入知识，到随机训练和预测，KGE流程的各个环节都会产生不确定性。本论文系统研究了KGE中的三类不确定性来源：知识不确定性，源于不完整、含噪或概率化的输入知识；算法不确定性，由模型训练中的随机性引起；以及预测不确定性，涉及模型输出的可靠性。为解决算法不确定性问题，本论文证明，在相同设置下训练的模型可能产生显著不同的预测结果，并提出一种基于投票的聚合框架，以减轻这种不稳定性。为量化预测不确定性，本论文将保序预测应用于KGE，构建具有分布无关覆盖率保证的答案集，并进一步扩展该方法，为特定谓词提供条件可靠性保证。为支持知识不确定性下的推理，本论文针对带有置信度评分的三元组构建具有统计有效性的预测区间，并提出一种基于嵌入的方法，用于近似统计本体上的概率推理，同时提供形式化的可靠性保证。总体而言，这些互补且与模型无关的方法为KGE中的不确定性提供了一种实用且具有理论依据的处理方案，推动知识图谱推理超越预测准确性，迈向可靠且具备不确定性感知能力的方向。