Neue EA-Foundation-Modelle schließen Reasoning-Horizont

Entity Alignment (EA) ist ein entscheidender Schritt bei der Fusion von Wissensgraphen, doch bisherige Modelle zeigen kaum Transferfähigkeit und können neue Graphen ohne erneutes Training nicht ausrichten. Obwohl graphbasierte Foundation-Modelle (GFMs) vielversprechend wirken, bleiben sie bei der direkten Anwendung auf EA weitgehend ineffektiv.

Der Grund liegt in einem sogenannten „Reasoning-Horizont‑Gap“. Während GFMs häufig auf Link‑Prediction ausgelegt sind, erfordert EA die Erfassung von langen Abhängigkeiten über spärliche und heterogene Strukturen hinweg – ein Anspruch, den herkömmliche GFMs nicht erfüllen.

Um dieses Problem zu lösen, wurde ein neues EA‑Foundation‑Modell entwickelt, das auf einer parallelen Kodierungsstrategie basiert. Durch die Nutzung von Seed‑EA‑Paaren als lokale Anker wird die Informationsflüsse gezielt gesteuert, zwei parallele Streams gleichzeitig initialisiert und kodiert. Diese Technik ermöglicht anchor‑bedingtes Message‑Passing und verkürzt die Inferenzwege erheblich, indem sie lokale Strukturen statt globaler Suchen nutzt. Zusätzlich wird ein zusammengeführtes Relationen‑Graphmodell eingesetzt, um globale Abhängigkeiten abzubilden, und ein lernbares Interaktionsmodul sorgt für präzises Matching.

Umfangreiche Experimente bestätigen die Wirksamkeit des Ansatzes. Das neue Framework zeigt eine starke Generalisierbarkeit auf bislang unbekannte Wissensgraphen und demonstriert damit, dass die Lücke im Reasoning-Horizont erfolgreich geschlossen werden kann.