[論文レビュー] SynergyKGC: Reconciling Topological Heterogeneity in Knowledge Graph Completion via Topology-Aware Synergy

Xuecheng Zou, Yu Tang+1 more|arXiv (Cornell University)|Feb 11, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

SynergyKGCはデュアルタワー・指示駆動の検索を通じて、密度認識のIdentity Anchoring戦略と動的シナジーエキスパートにより、KGCの意味表現とトポロジー信号を適応的に統合し、密度と疎性を問わず最先端の性能を達成します。

ABSTRACT

Knowledge Graph Completion (KGC) fundamentally hinges on the coherent fusion of pre-trained entity semantics with heterogeneous topological structures to facilitate robust relational reasoning. However, existing paradigms encounter a critical "structural resolution mismatch," failing to reconcile divergent representational demands across varying graph densities, which precipitates structural noise interference in dense clusters and catastrophic representation collapse in sparse regions. We present SynergyKGC, an adaptive framework that advances traditional neighbor aggregation to an active Cross-Modal Synergy Expert via relation-aware cross-attention and semantic-intent-driven gating. By coupling a density-dependent Identity Anchoring strategy with a Double-tower Coherent Consistency architecture, SynergyKGC effectively reconciles topological heterogeneity while ensuring representational stability across training and inference phases. Systematic evaluations on two public benchmarks validate the superiority of our method in significantly boosting KGC hit rates, providing empirical evidence for a generalized principle of resilient information integration in non-homogeneous structured data.

研究の動機と目的

• 事前学習済みエンティティの意味論を異種のトポロジ構造に整合させることにより、堅牢な知識グラフ補完を実現する。
• 密度の高い領域での表現ノイズと稀薄領域での崩壊を防ぐために、トポロジ的異質性に対応する。
• 意味的意図に guided された構造的手掛かりを能動的に取得する指示駆動のSynergy Expertを提案する。
• 訓練と推論の間で一貫性を確保し、分布シフトを緩和する。
• 高速収束を伴うスケーラブルな効率改善を提供する。
• Method and Tables?

提案手法

• Phase I: Semantic Expertとして事前学習済み言語モデル（BERT）を用いて強力な意味空間を学習。
• Phase II: 関係認識型クロスアテンションと密度認識Identity Anchoringを用いてSynergy Expertを活性化し、構造的文脈を統合。
• Cross-modal attention: sematic embeddingsからクエリを、topological contextからキー/バリューを取得してc_synを生成。
• Semanticと構造信号を融合する適応ゲーティング（α）と、Phi(x)を得るための残差正規化。
• デュアル軸の一貫性: QueryタワーとEntityタワーのアーキテクチャ的整合と訓練・推論間のライフサイクル一貫性。
• Density-aware Identity Anchoring: 疎グラフには自己同一性信号を活性化し、密グラフには閾値phiで弱める。
• Training objectives: SynergyにはL_NCE、Semantic一貫性にはL_alignを適用、two-phaseの訓練スケジュールとSynergy開始エポックT_startを設定。
• Dynamic dual-tower inferenceで評価時の一貫したsynergy表現を維持。
• Relational maskingとgatingの初期化で早期のSynergy統合を安定化。

実験結果

リサーチクエスチョン

• RQ1 SynergyKGCは異質なグラフ密度において潜在的な意味空間を明示的なトポロジ信号と整合させられるか。
• RQ2 指示駆動の検索と密度認識アンカーはデプロイ時の表現ドリフトと分布シフトを緩和するか。
• RQ3 デュアルタワーの一貫性とゲーティング機構が密・疎グラフでKGCの性能に与える影響は。
• RQ4 提案手法はFB15k-237とWN18RRの最先端SP/HYBRIDモデルと比較してどうか。
• RQ5 キャッチアップ効果の収束と効率性にはどのような利点があるか。

主な発見

Dataset	Method	MRR	H@1	H@3	H@10
FB15k-237	SynergyKGC (Ours)	39.9	30.2	43.6	59.4
WN18RR	SynergyKGC (Ours)	74.2	67.7	78.5	85.5

• SynergyKGCはFB15k-237とWN18RRで最先端の結果を達成し、疎なWN18RRでのHits@1の向上が顕著。
• WN18RRでは、SynergyKGCはMRR=74.2%、H@1=67.7%、H@3=78.5%、H@10=85.5%を達成。
• FB15k-237では、SynergyKGCはMRR=39.9、H@1=30.2%、H@3=43.6%、H@10=59.4%。
• WN18RRの最も強力なハイブリッドベースラインと比較して、Hits@1が絶対値+8.0の利得をもたらす。
• アブレーション研究は、Crossモジュールが疎グラフで重要であり、Gateモジュールが密グラフで重要であることを示している。
• キャッチアップ効果は意味的ストリームと構造的ストリームの即時同期を示し、収束を速める（エポック10までに早期プラトー）。