LGDE：局部基于图的字典扩展
内容提要
本文提出了结构敏感的图形字典嵌入（SS-GDE）、逻辑语法嵌入（LGE）和双重教导方法（DualDE），旨在提高图形分类和知识图谱推理的效率与准确性。研究表明，这些方法在多个数据集上表现优越，显著提升了性能和计算效率。
延伸解读
SS-GDE 如何提升图分类的敏感性与稳定性
SS-GDE 框架通过 Bernoulli 抽样调整基本图形键的子结构，使嵌入能适应不同输入图。多敏感性 Wasserstein 编码与多尺度注意力设计，让跨图测量既敏感又稳定。在多个图分类数据集上，该方法表现出优越性，为图分类任务提供了新思路。
LGE 的无监督语法推断与透明生成
逻辑语法嵌入（LGE）受预群组语法和范畴语法启发，能从文本语料库中无监督推断词汇类别和句法规则。其输出易于理解，生成新句子的过程完全透明，且仅需少至一百个句子即可学习，降低了数据需求。
DualDE 大幅压缩知识图谱嵌入并加速推理
双重教导方法 DualDE 通过软标签评估机制和两阶段蒸馏，将高维知识图谱嵌入减少 7-15 倍，推理速度提高 2-6 倍。这显著提升了推理效率，为知识图谱嵌入的轻量化部署提供了可行方案。
上下文字典查找改善知识图谱补全的语义问题
一种采用上下文字典查找的新方法，利用传统嵌入模型以端到端方式学习关系的细粒度语义，从而解决知识图谱补全中的语义问题。在多个基准数据集上，该方法获得了显著的性能提高，展示了结合字典查找与嵌入模型的潜力。
Q&A
什么是结构敏感的图形字典嵌入（SS-GDE）？
结构敏感的图形字典嵌入（SS-GDE）是一种框架，通过Bernoulli抽样调整基本图形键的子结构，以适应不同输入。
逻辑语法嵌入（LGE）有什么特点？
逻辑语法嵌入（LGE）能够从文本中无监督推断词汇类别和句法规则，并且生成新句子的过程透明易懂。
双重教导方法（DualDE）如何提高推理效率？
双重教导方法（DualDE）通过软标签评估机制和两阶段蒸馏方法，将高维知识图谱嵌入的推理速度提高2-6倍。
如何解决知识图谱完成中的语义问题？
通过结合上下文字典查找和传统嵌入模型，提出了一种新方法来解决知识图谱完成中的语义问题。
多敏感性Wasserstein编码的作用是什么？
多敏感性Wasserstein编码通过设计多尺度注意力，提升跨图测量的敏感性和稳定性。
该研究在迁移学习和半监督学习中有什么发现？
研究表明，利用标签中的语义信息可以显著提高数据利用率，并在迁移学习和半监督学习中展示了性能提升。
