Uncertainty-Aware Relational Graph Neural Network for Few-Shot Knowledge Graph Completion

本文提出了一种新的不确定性感知的少样本知识图谱补全框架（UFKGC），旨在通过学习高斯分布下的表示来建模不确定性，更好地理解有限数据。该框架首先为实体对的不确定性范围设计了不确定性表示，将特征表示转化为高斯分布后进行计算。为了更好地将带有不确定性特征的邻居与实体特征进行整合，我们设计了一种不确定性感知的关系图神经网络（UR-GNN），在高斯分布之间进行卷积运算。然后，在优化过程中对高斯分布内的参考三元组进行多次随机采样，以生成平滑的参考表示。最后，通过设计的不确定性优化来衡量每个查询实例的最终补全分数，使我们的方法更加鲁棒地处理少样本场景中的噪声。实验结果表明，与竞争对手相比，我们的方法在两个基准数据集上取得了出色的性能。

本文试图解决few-shot知识图谱完成中由于实体和三元组的不确定性导致的噪声问题，提出一种新的不确定性感知的few-shot KG完成框架（UFKGC），以更好地理解有限数据。

该文的关键思路是通过学习高斯分布下的表示来建模不确定性，设计不确定性感知的关系图神经网络（UR-GNN）来更好地整合具有不确定性特征的邻居实体，使用多个随机抽样在高斯分布中进行参考三元组，通过设计的不确定性优化来度量每个查询实例的最终完成得分。

本文的亮点包括：使用高斯分布建模不确定性，设计不确定性感知的关系图神经网络（UR-GNN），使用多个随机抽样生成平滑参考表示，通过设计的不确定性优化来提高模型的鲁棒性。实验表明，与竞争对手相比，该方法在两个基准数据集上取得了出色的表现。

最近在这个领域中，还有一些相关的研究，如：《Few-Shot Knowledge Graph Completion and the Effectiveness of Capacity》、《Few-Shot Knowledge Graph Completion with Distributional Semantics》等。