2025_NIPS_Fast Monte Carlo Tree Diffusion: 100× Speedup via Parallel Sparse Planning
文章核心总结
一、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，准确预测该关系的缺失事实（查询集）。
文章首先分析了现有FS-KGC方法的局限性：现有模型多依赖关系的独立表示学习，忽略了关系间的层次结构信息（如“属于”与“包含”的语义关联）和推理规则迁移（如从“父亲-子女”关系的推理逻辑迁移到“母亲-子女”关系）；同时，支持集与查询集的特征对齐不足，导致少样本场景下泛化能力受限。
为解决上述问题，文章提出了一种名为Hierarchical Rule-Guided Reasoning（HRGR）的框架，核心思路包括：
- 构建关系层次树：自动挖掘KG中关系间的上下位、关联等层次结构，将关系组织为树状结构，捕捉全局语义关联；
- 规则迁移与适配：基于关系层次树，将高资源关系（样本充足）的推理规则迁移到低资源（少样本）目标关系，并通过注意力机制适配目标关系的局部特征；
- 双视图特征融合：结合“关系层次视图”（全局结构信息）和“实例匹配视图”（局部样本特征），提升少样本场景下的特征表达能力；
- 跨集对齐优化：通过对比学习缩小支持集与查询集的分布差异，增强模型对少样本实例的适配性。
实验部分在FB15