Half a Link can Be Enough to Predict a Whole Link: Understanding Generalization in Knowledge Graph Foundation Models

📄 arXiv: 2606.18001v1 📥 PDF

作者: Cosimo Gregucci, Obaidah Theeb, Daniel Hernandez, Antonio Vergari, Steffen Staab

分类: cs.LG

发布日期: 2026-06-16

💡 一句话要点

提出半链接概念以提升知识图谱基础模型的泛化能力

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 知识图谱 基础模型 零-shot 泛化 半链接 链接预测 模型泛化 信息检索

📋 核心要点

  1. 现有知识图谱基础模型在不同知识图谱间的泛化能力尚不明确，尤其是对部分见过链接的处理。
  2. 论文提出了半链接的概念，表明仅需观察部分链接即可进行有效的链接预测，形成了四种场景的分类。
  3. 通过对不同场景的严格分析，揭示了当前KGFMs在已见与未见半链接上的表现差异，为未来研究提供了方向。

📝 摘要（中文）

知识图谱基础模型（KGFMs）具备零-shot 泛化能力，能够在未见图谱上进行链接预测而无需重训练。然而，如何理解其在不同知识图谱间的泛化机制仍然是一个开放性问题。本文探讨了KGFMs在未见知识图谱上的表现不均匀性，特别是部分见过的链接（称为半链接）的影响。研究表明，预测测试三元组$(h,r,t)$时，仅观察到半链接$(h,r)$或$(r,t)$中的任意一个即可。这一发现形成了四种场景的分类，揭示了当前最先进的KGFMs如何利用已见半链接进行预测，而未见半链接则面临不同的挑战。我们的细致分类为KGFM的稳健泛化提供了诊断协议，并指出了新型KGFMs的改进方向。

🔬 方法详解

问题定义：本文旨在解决知识图谱基础模型在不同知识图谱间泛化能力不均的问题，尤其是如何有效利用部分见过的链接进行预测。现有方法在处理未见半链接时面临挑战，导致预测性能不稳定。

核心思路：论文提出了半链接的概念，表明在进行链接预测时，仅需观察到部分链接（如$(h,r)$或$(r,t)$）即可。这一思路基于对KGFMs泛化机制的深入理解，强调了部分信息的有效性。

技术框架：研究采用了分层分析的方法，构建了四种场景的分类框架，分别对应不同的半链接观察情况。通过对这些场景的系统分析，揭示了KGFMs在已见与未见半链接上的表现差异。

关键创新：最重要的创新在于引入了半链接的概念，并通过分类分析揭示了KGFMs在不同场景下的泛化能力。这一创新与现有方法的本质区别在于强调了部分信息的作用，而非依赖完整的三元组信息。

关键设计：研究中采用了分层分析的策略，设计了针对不同半链接观察情况的实验，重点关注模型在已见与未见半链接上的表现差异。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，当前最先进的KGFMs在已见半链接的利用上表现优异，而在未见半链接的处理上则面临显著挑战。通过对四种场景的分析，研究揭示了KGFMs的泛化能力差异，为未来模型的改进提供了重要依据。

🎯 应用场景

该研究的潜在应用领域包括知识图谱构建、信息检索和推荐系统等。通过提升KGFMs的泛化能力，可以在更广泛的场景中实现高效的链接预测，进而推动智能系统的应用和发展。未来，该研究可能影响知识图谱的设计和优化，促进更智能的决策支持系统的实现。

📄 摘要（原文）

Knowledge graph (KG) foundation models (KGFMs) are zero-shot generalizers: trained once, they can predict links on unseen graphs without retraining. However, understanding when and how they can robustly generalize across KGs is still an open question. In this paper, we shed some light on their generalization mechanisms highlighting how their performance on unseen KGs is not uniform when it comes to partially seen links, which we call half-links. In fact, we show that to predict a test triple $(h,r,t)$ it might suffice in practice to have observed the half-link $(h,r)$ or $(r,t)$ in the inference graph. This yields a taxonomy of four scenarios when combinations of these half-links are observed or not. In a rigorous stratified analysis over these scenarios, we reveal that SoTA KGFMs use seen half links for predictions, while unseen half-links pose different challenges. As such, our finer-grained taxonomy can be a diagnostic protocol for robust KGFM generalization and highlights where novel KGFMs can improve.