InductWave Entraîne des Modèles de Graphes de Connaissance avec la Moitié des Couches des Concurrents

Une équipe de chercheurs a présenté InductWave—une méthode d'intégration inductive basée sur des ondelettes pour répondre à des requêtes logiques multi-sauts sur les graphes de connaissance, qui fonctionne avec deux fois moins de couches de passage de messages que les modèles de base. L'article a été publié sur arXiv le 7 juillet 2026.

Quel est le problème avec les modèles transdictifs

Les requêtes logiques multi-sauts sur les graphes de connaissance (Réponse aux Requêtes Multi-Sauts) sont formulées comme des requêtes avec une hypothèse implicite de complétude des données et contiennent généralement des opérateurs de conjonction, disjonction et négation (Logique du Premier Ordre Existentielle). La plupart des modèles existants utilisent le raisonnement transdictif—ce qui signifie qu'ils ne peuvent pas raisonner sur les entités qu'ils n'ont pas vues pendant l'entraînement. Dans le monde réel, c'est une limitation sérieuse : entraîner un modèle sur tous les nœuds d'un grand graphe de connaissance à la fois est souvent impossible en raison de contraintes de ressources.

Comment InductWave est structuré

InductWave est une méthode inductive : le graphe sur lequel le modèle s'entraîne contient moins de nœuds que le graphe sur lequel il est testé.

• La méthode est basée sur les intégrations d'ondelettes
• Avec la moitié du nombre de couches de passage de messages, InductWave affiche des résultats au niveau des modèles de base
• Avec 75% du nombre de couches des modèles de base, InductWave les surpasse dans la plupart des cas
• Les exigences de ressources plus modestes ont permis de tester le modèle sur des graphes massifs, y compris Wiki-KG
• Les expériences ont été menées sur différentes proportions de graphes d'entraînement et de test du dataset FB15k-237

Le code du modèle et les datasets ont été mis à disposition du public sur GitHub.

Ce que cela signifie

Moins de couches de passage de messages réduit directement les coûts de calcul pour l'entraînement et l'inférence—ce qui signifie que les méthodes inductives comme InductWave rendent pratiquement réalisable le travail avec de vrais grands graphes de connaissance, comme Wiki-KG, sans énormes clusters informatiques.

Questions fréquemment posées

Qu'est-ce que l'apprentissage inductif sur les graphes de connaissance?

C'est une approche où un modèle s'entraîne sur un graphe avec moins de nœuds que celui sur lequel il est ensuite testé, et doit être capable de raisonner sur les entités qu'il n'a pas vues pendant l'entraînement—contrairement aux modèles transdictifs.

Sur quels datasets InductWave a-t-il été testé?

Le modèle a été testé sur différentes proportions de graphes d'entraînement et de test du dataset FB15k-237, ainsi que sur le grand graphe de connaissance Wiki-KG, où les exigences de ressources moins importantes se sont avérées particulièrement importantes.