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

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

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

知识图谱是企业应用中智能决策所必需的关于世界事实知识的概念关系，学习知识图谱嵌入（KGE）模型可以有效地推断新知识。然而，该论文指出，现有的 KGE 模型容易受到数据污染攻击，在预测任务中存在安全漏洞，因此提出了两种新颖的数据污染攻击方法，旨在解决这一问题。

Sep, 2022

本文提出一种名为 FedE 的联邦知识图嵌入框架，采用联邦学习的方式进行多源知识图嵌入预测，保护数据隐私。实验证明，该方法在知识图嵌入方面具有较高效率。

Oct, 2020

提出了一种上下文感知的动态知识图谱嵌入方法 (DKGE)，该方法利用两个有注意力机制的图卷积网络、一种门控策略和翻译操作，通过双重表示 (知识嵌入和上下文元素嵌入) 联合模型化实体和关系及其环境，以快速获取更新的知识图谱嵌入，同时支持从头开始的知识图谱嵌入。实验证明 DKGE 在动态环境下具有良好的有效性和效率。

Oct, 2019

该研究探讨知识图谱嵌入技术（KGE）的鲁棒性问题，并提出了一套可以有效操纵知识图谱中任意目标事实确凿性的数据污染攻击策略，从而弥补了现有对于此类攻击缺乏针对性的不足。

Apr, 2019

本文提出了 Adversarial Privacy Graph Embedding (APGE) 模型，它是一种图形对抗训练框架，可以学习来自图形结构数据的低维特征表征，并保护用户隐私信息，从而在解决节点分类和链接预测等任务时具有优越性能。

Aug, 2020

提出了 FedRKG，一种基于全球知识图构建的新型联邦推荐系统，通过使用公共可用的物品信息建立和维护全局知识图，允许更高阶的用户 - 物品交互，采用伪标签和局部差分隐私来保护本地交互物品和模糊梯度，实验证明其相比于现有的联邦学习算法在确保隐私保护的同时具有竞争性的性能，平均准确率提升了 4%。

Jan, 2024

本文探讨了知识图谱中的社会偏见和文化偏见，特别是在节点流行度与链接预测精度之间的负相关关系以及从知识图嵌入中预测人的性别并提出了过滤对抗网络（FAN）来消除这些敏感属性信息从而使知识图谱达到去偏见的目的。

Jun, 2020