知识图谱推理新sota，兼顾性能+效率！中科大新作 | NeurIPS'25

主要观点总结

中科大研究团队提出了DuetGraph，一种双阶段粗到细推理框架与双通路全局-局部特征融合模型，旨在解决知识图谱推理中的推理效率低、表达能力不足和过平滑问题。DuetGraph在理论设计和实验评估中都表现出优异性能，为高效大规模知识推理提供了系统性解决方案。

关键观点总结

关键观点1: DuetGraph的主要特点

采用双阶段粗到细推理框架，平衡候选实体空间和模型表达能力；引入双通路全局-局部特征融合模型，通过自适应融合参数动态加权局部路径和全局路径；在结构设计和推理过程中缓解过平滑问题。

关键观点2: DuetGraph的理论优势

通过双通路融合和粗到细推理，结构上减缓了过平滑问题；传播矩阵的最大奇异值直接影响得分差距的收敛速度，双通路模型的传播矩阵理论上界大于单路径模型。

关键观点3: DuetGraph的实验评估结果

在多个大规模知识图谱基准数据集上进行系统评估，结果显示DuetGraph在推理质量、泛化能力、推理效率和鲁棒性等方面取得显著性能提升；框架支持灵活更换粗粒度模型以适应不同任务场景；未来展望包括与LLM融合和真实场景落地等。