यह शोधपत्र बताता है कि मौजूदा ज्ञान ग्राफ अनुमान विधियों की IID धारणा पर निर्भरता, प्रशिक्षण के दौरान अज्ञात नमूना चयन पूर्वाग्रह या परीक्षण के दौरान वितरण परिवर्तनों के कारण प्रदर्शन में गिरावट और विश्वसनीयता संबंधी समस्याओं का कारण बनती है। इन समस्याओं के समाधान के लिए, हम अज्ञात चयन पूर्वाग्रह वाले ज्ञान ग्राफ से तार्किक नियमों को सीखने का अध्ययन करते हैं, और आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) ज्ञान ग्राफ अनुमान नामक एक नई समस्या को परिभाषित करते हैं। इस शोधपत्र में, हम एक स्टेबलरूल ढाँचा प्रस्तावित करते हैं जो OOD स्थितियों में सामान्यीकरण प्रदर्शन को बेहतर बनाने के लिए फ़ीचर डी-सहसंबंध और नियम अधिगम नेटवर्क को एकीकृत करता है। सात बेंचमार्क ज्ञान ग्राफों पर प्रयोगों के माध्यम से, हम विभिन्न वातावरणों में स्टेबलरूल की श्रेष्ठता और स्थिरता को प्रदर्शित करते हैं।
