CIKM 2021 | FKGE：差分隐私的联邦知识图谱嵌入

知识图谱嵌入在知识表示、推理和数据挖掘等应用中起着十分重要的作用。然而，对于多个跨领域的知识图谱来说，目前最先进的嵌入模型无法在保护数据交换过程中产生的隐私的同时，充分利用来自不同知识领域的数据和信息。并且集中式的嵌入模型无法拓展到广泛的现实世界的知识图谱中。因此，我们提出了一种新颖的去中心化的可拓展学习框架——Federated Knowledge Graphs Embedding（FKGE），实现了在保护隐私的同时以异步和对等的方式学习不同知识图谱的嵌入。FKGE 利用成对的知识图谱间的对抗生成将不同领域的相同实体和关系转换到临近嵌入空间。为了保护训练数据的隐私，FKGE进一步实现了隐私保护对抗模型（PPAT），来保证原始数据不被泄露。我们进行了大量的实验来评估11个知识图谱上的FKGE模型，三重分类和链路预测任务的性能提高了近17.85%和7.9%，这证明了我们模型的质量取得了显著且一致的改进。