InductWave Treina Modelos de Grafos de Conhecimento com Metade das Camadas dos Concorrentes

Uma equipe de pesquisadores apresentou InductWave—um método de incorporação indutiva baseado em wavelets para responder a consultas lógicas multi-salto para gráficos de conhecimento, que funciona com metade do número de camadas de passagem de mensagens dos modelos de base. O artigo foi publicado no arXiv em 7 de julho de 2026.

Qual é o problema com modelos transdutivos

Consultas lógicas multi-salto para gráficos de conhecimento (Resposta a Consultas Multi-Salto) são formuladas como consultas com uma suposição implícita de completude de dados e normalmente contêm operadores de conjunção, disjunção e negação (Lógica de Primeira Ordem Existencial). A maioria dos modelos existentes usa raciocínio transdutivo—significando que não podem raciocinar sobre entidades que não viram durante o treinamento. No mundo real, essa é uma limitação séria: treinar um modelo em todos os nós de um gráfico de conhecimento grande de uma vez é frequentemente impossível devido a restrições de recursos.

Como InductWave é estruturado

InductWave é um método indutivo: o gráfico em que o modelo é treinado contém menos nós que o gráfico em que é testado.

• O método é baseado em incorporações de wavelet
• Com metade do número de camadas de passagem de mensagens, InductWave mostra resultados equivalentes aos modelos de base
• Com 75% do número de camadas dos modelos de base, InductWave os supera na maioria dos casos
• Requisitos de recursos mais modestos permitiram que o modelo fosse testado em gráficos massivos, incluindo Wiki-KG
• Os experimentos foram realizados em diferentes proporções de gráficos de treinamento e teste do conjunto de dados FB15k-237

O código do modelo e os conjuntos de dados foram disponibilizados publicamente no GitHub.

O que isso significa

Menos camadas de passagem de mensagens reduz diretamente os custos computacionais tanto para treinamento quanto para inferência—significando que métodos indutivos como InductWave tornam prático trabalhar com gráficos de conhecimento verdadeiramente grandes, como Wiki-KG, sem enormes clusters de computação.

Perguntas frequentes

O que é aprendizado indutivo em gráficos de conhecimento?

Este é um abordagem onde um modelo é treinado em um gráfico com menos nós que aquele em que é testado posteriormente, e deve ser capaz de raciocinar sobre entidades que não viu durante o treinamento—diferente dos modelos transdutivos.

Em quais conjuntos de dados InductWave foi testado?

O modelo foi testado em diferentes proporções de gráficos de treinamento e teste do conjunto de dados FB15k-237, bem como no grande gráfico de conhecimento Wiki-KG, onde menores requisitos de recursos se mostraram particularmente importantes.