知识图谱补全的联合学习框架，通过基于文本的知识表示学习，隐式聚合多个知识图谱的语言模型权重，从而在多语言知识图谱上提升预测性能而无需共享原始数据。
Dec, 2023
本论文提出了一种名为 FKGE 的分散、可扩展、隐私保护的学习框架，可用于跨多个同一领域不同知识图谱的知识嵌入。在对 11 个不同的知识图谱进行广泛的实验后，本文表明 FKGE 的性能提高了，它的模型质量最多可增加 17.85％和 7.90％。
May, 2021
提出了一种新的方法，利用联邦张量分解进行知识图谱完成，该方法名为联邦潜在 embedding 共享张量分解 (FLEST)，通过分解嵌入矩阵并共享潜在字典嵌入降低隐私风险，实验证明了该方法的有效性和高效性，提供了在性能和隐私之间的平衡解决方案。
Nov, 2023
本文在研究多源知识图上应用联邦学习时提出了一种新的隐私攻击方法，进而提出了一种能够保障数据隐私的联邦学习模型，该模型使用关系嵌入聚合来显著降低通信成本并提高隐私保护效果以及通信效率。
Mar, 2022
使用客户关系图进行个性化联邦知识图嵌入的方法（PFedEG），通过识别来自其他客户端的嵌入的语义关联性，为每个客户端学习个性化的嵌入，从而解决了现有 FKGE 方法中的全局共享补充知识被噪音淹没和局部与全局优化目标不一致的问题。
Jun, 2024
利用联邦学习在多源知识图谱上进行复杂查询回答任务，避免敏感原始数据传输以保护隐私。
Feb, 2024
本研究探讨在联邦环境下，如何应对新出现的知识图谱中包含的新组件（实体和关系），并提出了一种基于元学习的图神经网络框架，可以根据结构信息构建未见过的组件特征，并嵌入这些组件。实验结果表明，我们的方法可以有效地嵌入未见过的组件，并胜过考虑 KG 归纳设置和直接使用传统 KG 嵌入方法的基线模型。
May, 2022
本文提出了一种新的 KWG 联邦学习模型：DP-Flames，结合了实体 - 绑定稀疏梯度属性和最先进的隐私选择技术，其提供更好的隐私 - 实用性权衡，并通过提出的三种新的推理攻击来定量和针对 FKGE 中的隐私威胁进行综合评估。
Apr, 2023
本文介绍了一种名为 CKGC-CKD 的新方法，通过使用关系感知图卷积网络编码模型在集成的知识图谱和各自的知识图谱上进行训练，以最大程度地利用来自不同知识图谱的集体知识，从而缓解了个体知识图谱的不完整性，并通过相互知识蒸馏机制来进行知识传递，在多语言数据集上取得了比所有先进模型更好的知识图谱完成结果。
May, 2023
该研究论文介绍了知识图谱在信息抽取方法中的应用，探讨了表示学习和图神经网络在知识图谱完成中的作用，以及如何利用知识图谱在下游任务中预测缺失的链接。
Aug, 2022