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

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

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

FKGE 挑战主要集中在参数的规模和通信轮次的通信效率上，现有方法主要关注减少通信轮次，但忽视了每次通信中传输的参数规模，因此本文提出了一种双向通信高效的 FedS 方法，利用实体级的 Top-K 稀疏化策略来减少通信量和维护嵌入精度，通过上传和下载阶段的动态选择和传输 Top-K 实体嵌入，以及 FedS 的间歇同步机制来解决异构 FKG 导致的嵌入不一致问题，并通过实验证明了 FedS 显著提高了通信效率，且性能损失可以忽略不计。

Jun, 2024

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

本文提出了一种新的 FL 框架 ——FedLU，用于异构的 KG 嵌入学习和遗忘，利用相互的知识蒸馏来处理数据异质性造成的局部优化与全局收敛之间的漂移，并提出一种基于认知神经科学的遗忘方法，结合了逆行干扰和被动衰减，通过重用知识蒸馏来从本地客户端中抹除特定的知识并传播到全局模型。实验结果表明 FedLU 在链接预测和知识遗忘方面都取得了优秀的结果。

Feb, 2023

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

本文提出了一种称为实体邻居的新型附加信息，并使用深度记忆网络模型编码邻居信息。通过引入门控机制，结构和邻居的表征被整合成一个联合表征，实现了知识图谱嵌入（KGE）技术中实体表示的最新技术性能。

Aug, 2018

本文综述了知识图谱完成中的当前研究状态，特别关注了知识图谱嵌入设计的两个主要分支：基于距离的方法和基于语义匹配的方法，并探讨了与最近提出的模型之间的关联及其背后的趋势，最后讨论了利用预训练语言模型和实体关系的文本描述相结合进行知识图谱完成的新方法。

Sep, 2023