本研究提出了一种名为ZSLLM的框架，旨在解决多模态知识图谱嵌入中的零样本学习问题，包括信息转移和新类别关系推断。实验结果表明，ZSLLM在多个真实数据集上表现优于现有技术，具备良好的扩展性和实用性。

本文探讨了图神经网络（GNN）在动态系统中的应用，提出了多种新方法以增强推理能力和数据效率，包括基于模块化元学习的关系推断、自然语言生成参数的GNN、轻量级因果学习模块以及新的知识图推理方法RUN-GNN。这些方法在关系规则学习和社交关系识别等任务中表现优越，显著提高了模型的效率和解释性。

该文综述关系推断与扩散模型研究：NRI从运动数据推断交互关系，DYARI处理动态关系，DIDER分解子交互以提升轨迹预测；扩散模型用于时序预测、逆重整化群流及概率编程推断；神经平均场动力学联合学习网络结构与扩散；DYGR利用动态图先验实现鲁棒关系推理。