Modifier un modèle d’embeddings de graphe de connaissances (KGE) pour corriger une réponse ne suffit pas à garantir un meilleur comportement global. Dans cet article, des chercheurs montrent qu’une édition réussie peut faire remonter la réponse visée tout en évinçant d’autres réponses correctes de la liste retournée. Selon eux, les tests de « localité » qui ne regardent que les faits partageant le paramètre modifié passent à côté d’un effet important : le déplacement dans le classement.
Les auteurs introduisent ainsi un audit du déplacement de rang à trois niveaux : sur les faits directement liés au paramètre édité, sur les autres réponses correctes de la requête ciblée, et sur les réponses correctes d’autres requêtes utilisant la même relation. Ils dérivent aussi des conditions géométriques et dimensionnelles dans lesquelles une mise à jour peut améliorer la cible tout en préservant exactement certains scores, ce qui fournit un cadre plus rigoureux pour évaluer ces interventions.
Les expériences sont menées sur FB15k-237 avec les modèles DistMult et ComplEx. La promotion directe de la réponse ciblée la fait systématiquement entrer dans le top 10, mais sans dommage mesuré dans seulement 23,0 à 23,2 % des éditions. À l’inverse, une stratégie de préservation stricte évite tout dommage observé, mais ne réussit que dans 1,3 à 1,4 % des cas. Entre ces deux extrêmes, l’édition d’entité régularisée par le support obtient le meilleur compromis, avec 36,3 à 37,7 % de succès conjoints.
L’étude indique aussi qu’une préservation tronquée au rang atteint 32,8 à 34,7 % et réduit le nombre moyen de réponses déplacées d’environ 14 à 1,2. Plus largement, les résultats suggèrent que la localité d’une édition dépend à la fois du périmètre protégé et de la méthode utilisée. Pour les équipes qui travaillent sur la correction ciblée de modèles KGE, le message est clair : il faut publier non seulement le taux de correction, mais aussi l’incidence et la gravité des déplacements de rang induits.