半个链接足以预测整个链接：理解知识图基础模型中的泛化

知识图（KG）基础模型（KGFM）是零样本泛化器：训练一次，它们可以预测看不见的图上的链接，而无需重新训练。然而，了解它们何时以及如何能够跨 KG 稳健地泛化仍然是一个悬而未决的问题。在本文中，我们阐明了它们的泛化机制，强调了当涉及到部分可见的链接（我们称之为半链接）时，它们在不可见的 KG 上的性能是如何不一致的。事实上，我们表明，要预测测试三元组 $(h,r,t)$，在实践中观察推理图中的半链接 $(h,r)$ 或 $(r,t)$ 可能就足够了。当观察到或未观察到这些半链接的组合时，这会产生四种场景的分类。在对这些场景的严格分层分析中，我们发现 SoTA KGFM 使用可见的半链接进行预测，而看不见的半链接则带来不同的挑战。因此，我们更细粒度的分类法可以成为稳健 KGFM 泛化的诊断协议，并突出显示新型 KGFM 可以改进的地方。