arXiv cs.AI· Jiaqi Wang, Yisen Gao, Huayang Shi, Junhao Hou, Wengen Li, Jihong Guan, Yichao Zhang, Shuigeng Zhou, Yangqiu Song, Hong Cheng·· 13 小时前AI 评分18
LatentDiff：用观测锚定隐扩散统一生成知识图谱三元组集合
From Local Recovery to Unified Generation: Discovering Triple Set in Knowledge Graphs via Observation-Anchored Latent Diffusion
AI 导读
LatentDiff 提出统一隐空间生成框架完成知识图谱三元组集合预测（TSP），先用关系感知残差量化自编码器将整图编码为隐嵌入，再用观测锚定隐图扩散模型逐步去噪恢复缺失三元组。在三个基准数据集上，其 F_tsp 平均超过 SOTA 5.4 个百分点。代码已公开。
正文 · AI 翻译
摘要：三元组集合预测（TSP）旨在通过预测三元组集合而非孤立链接来恢复知识图谱中缺失的关系三元组。现有方法主要依赖基于子图的补全范式，即先将原始图划分为局部子图，再独立完成补全。该范式存在结构推理碎片化、跨子图依赖建模受限以及跨子图预测缺失等问题。本文提出 LatentDiff，一种面向 TSP 的新型统一潜在生成框架，将知识图谱补全重新表述为潜在空间图生成。LatentDiff 首先使用关系感知的残差量化知识图谱自编码器学习紧凑的潜在表示，该自编码器将整个图编码为关系感知的潜在嵌入，用分块残差码本对其进行量化，并通过因子化解码器重建三元组。在此潜在空间之上，我们引入一种以观测为锚的潜在图扩散模型，其中目标潜在图表示被扰动至观测潜在表示。逆向过程通过渐进式潜在去噪恢复缺失的三元组。在三个基准数据集上的实验表明，LatentDiff 在 F_{tsp} 上平均比 SOTA 高出 5.4 个百分点。代码：this https URL。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.39114 [cs.LG] |
| （或 arXiv:2610.39114v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.39114 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jiaqi Wang [查看邮箱]
[v1]
2026年10月29日 星期四 00:57:38 UTC（4,256 KB）
来源：arXiv cs.AI · arxiv.org