SynergyKGC: Topologie‑Aware Lösung für Knowledge‑Graph‑Completion

Knowledge‑Graph‑Completion (KGC) setzt auf die nahtlose Kombination von vortrainierten Entitätsemantik‑Modellen mit heterogenen topologischen Strukturen, um robuste relationale Schlussfolgerungen zu ermöglichen. Aktuelle Ansätze stoßen jedoch häufig an die Grenze eines „strukturellen Auflösungsfehlers“, bei dem unterschiedliche graphische Dichten nicht adäquat zusammengeführt werden. In dicht besiedelten Cluster‑Bereichen entsteht dadurch struktureller Rauschen, während in sparsamen Regionen die Repräsentationen kollabieren.

SynergyKGC präsentiert ein adaptives Framework, das die klassische Nachbarschaftsaggregation über ein Cross‑Modal‑Synergy‑Expert-Modul erweitert. Durch relationen‑bewusste Cross‑Attention und semantisch‑intention‑gesteuerte Gate‑Mechanismen wird die Interaktion zwischen verschiedenen Modalitäten dynamisch gesteuert. Ergänzt wird das System durch eine dichte‑abhängige Identity‑Anchoring‑Strategie sowie eine Double‑Tower‑Coherent‑Consistency‑Architektur, die die topologische Heterogenität ausgleicht und gleichzeitig die Repräsentationsstabilität während Training und Inferenz gewährleistet.

Systematische Tests auf zwei öffentlichen Benchmarks zeigen, dass SynergyKGC die Trefferquoten (Hit‑Rates) signifikant steigert. Die Ergebnisse liefern überzeugende Belege für ein generelles Prinzip der resilienten Informationsintegration in nicht‑homogenen strukturierten Daten und markieren einen wichtigen Fortschritt im Bereich der Knowledge‑Graph‑Completion.