喜报 | 我所一篇时序知识图谱推理的研究被国际顶级会议ACL 2025录用

发布时间：2025年05月22日

      由我所师生合作完成的一篇论文A Generative Adaptive Replay Continual Learning Model for Temporal Knowledge Graph Reasoning被国际顶级会议ACL 2025录用，论文主要由我所研究生张芷毓，毕业博士生陈炜（桂林电子科技大学讲师）在万怀宇老师和林友芳老师的指导下完成。

      近期基于持续学习 (CL) 的时态知识图谱推理 (TKGR) 方法致力于大幅降低计算成本并减轻因使用新数据微调模型而导致的灾难性遗忘。然而，现有的基于 CL 的 TKGR 方法仍然存在两个关键限制：（1）它们通常片面地重新组织个别历史事实，而忽略了准确理解这些事实的历史语义所必需的历史背景；（2）它们通过简单地重放历史事实来保存历史知识，而忽略了历史事实与新兴事实之间的潜在冲突。在本文中，我们提出了一种 Deep Generative Adaptive Replay (DGAR) 方法，该方法可以从整个历史背景中生成并自适应地重放历史实体分布表示。为了解决第一个挑战，构建历史背景提示作为采样单元以保留整个历史背景信息。为了克服第二个挑战，我们采用预训练的扩散模型来生成历史分布。在生成过程中，我们在TKGR模型的指导下增强了历史分布和当前分布之间的共同特征。此外，我们还设计了一种逐层自适应重放机制，有效地融合了历史分布和当前分布。实验结果表明，DGAR在推理和缓解遗忘方面的表现显著优于基线模型。