知识图谱推理的安全风险
本研究提出一种基于图形提取算法和大型语言模型的解耦合语言引导抽象推理方法,将复杂的知识图推理作为上下文知识图搜索和抽象逻辑查询推理的组合,显著提高了复杂查询的性能。
May, 2023
本论文提出了一种理论上基于知识图谱的新方法 —— 图推理(RoG),该方法通过将大型语言模型(LLMs)与知识图谱(KGs)相结合,实现了忠实和可解释的推理,实验结果表明 RoG 在 KG 推理任务上取得了最先进的性能。
Oct, 2023
本文介绍了知识图谱(KGs)以及其与关系知识的上下文信息的整合,重点讨论了基于三元组的 KGs 存在的局限性和上下文 KGs 的优势,并提出了 KGR$^3$,一个利用大型语言模型(LLMs)进行 KG 推理的范例,实验证明 KGR$^3$ 显著提高了 KG 补全和 KG 问答任务的性能,验证了将上下文信息整合到 KG 表示和推理中的有效性。
Jun, 2024
通过知识图谱和强化学习方法建立了多领域网络空间权限推理模型,结果表明,该模型可以成功推理用户权限并提高其智能水平,同时比传统的 TransE 方法表现更好。
May, 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
该研究论文为知识图谱推理提供了一种静态模型,其目的是在知识图谱上推出新的事实,概述了静态、时间性和多模态 KGR 模型的检测,探讨了相应的数据集和挑战。
Dec, 2022
Few-shot Knowledge Graph Relational Reasoning has become increasingly important in natural language processing applications, and SAFER presents a novel approach to effectively adapt contextualized graph information to perform prediction, demonstrating its superiority in experimental results.
Jun, 2024
介绍了一个名为 FactKG 的新数据集,该数据集包含 108k 个自然语言声明及其相关类型的推理,旨在通过推理知识图谱来进行事实验证,并开发了基于这些推理类型的基线方法,以提高知识图谱的可靠性和实用性。
May, 2023
本文提出了一种新的方法,通过迭代学习来注入规则并学习表示以充分利用规则和嵌入,取得了高效性和可扩展性的良好平衡,并通过两个公共数据集的评估,优于当前最先进方法,提高了均值倒数排名(MRR)2.7%和 4.3%。
Jan, 2023
本文提出了一种新型解释模型 HoGRN 用于针对稀疏知识图谱(KG)的提取和推理,在实现高效和精确的预测同时保证可解释性,通过捕获关系的内部相关性学习高质量关系表示,并在关系空间中进行实体聚合和基于组合的注意力设计,HoGRN 在几个稀疏 KG 上表现出了显著的改进。
Jul, 2022