2025_NIPS_Looking Beyond the Known: Towards a Data Discovery Guided Open-World Object Detection

文章核心总结

1. 主要内容

该文章聚焦于少样本知识图谱补全（Few-Shot Knowledge Graph Completion, FS-KGC） 任务，核心目标是在知识图谱（KG）中仅给定少量（通常1-5个）目标关系的实例（支持集）时，准确预测该关系的未连接实体对（查询集）。文章首先分析了现有FS-KGC方法的局限性：过度依赖实体级语义匹配，忽略了关系的结构特异性（不同关系在KG中呈现的局部拓扑结构差异）和推理链信息；同时，支持集与查询集的实体分布差异易导致泛化能力不足。

为解决上述问题，文章提出了一种名为R2C（Relation-Specific Structural and Reasoning Chain-aware Embedding） 的新框架：

• 首先，为每个关系学习专属结构编码器，捕捉该关系特有的局部拓扑模式（如1跳邻居类型、路径长度分布等）；
• 其次，引入推理链提取与建模模块，从支持集中挖掘实体间的潜在推理路径（如“实体A→关系R1→实体C→关系R2→实体B”），将结构路径信息融入嵌入表示；
• 最后，通过对比学习机制缩小支持集与查询集的分布差距，提升模型泛化能力。

实验部分在FB15k-237、NELL-One等主流FS-KGC数据集上验证了R2C的性能，结果表明其在 Hits@1、Hits@10、MRR