論文の概要: Temporal Knowledge Base Completion: New Algorithms and Evaluation Protocols

• arxiv url: http://arxiv.org/abs/2005.05035v2
• Date: Sun, 11 Oct 2020 08:13:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 12:59:32.202877
• Title: Temporal Knowledge Base Completion: New Algorithms and Evaluation Protocols
• Title（参考訳）: 時間的知識ベース補完:新しいアルゴリズムと評価プロトコル
• Authors: Prachi Jain, Sushant Rathi, Mausam, Soumen Chakrabarti
• Abstract要約: リンク予測(リンク予測)と時間間隔(時間予測)を共同時間知識ベース(TKBC)タスクとして検討する。 本稿では, 時間を考慮したKBC法であるTIMEPlexを提案する。 既存のTKBCモデルでは,不完全な評価機構によりリンク予測性能が大幅に過大評価されている。 そこで本研究では,リンクおよび時間予測タスクのための改良されたTKBC評価プロトコルを提案する。
• 参考スコア（独自算出の注目度）: 36.52445566431404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal knowledge bases associate relational (s,r,o) triples with a set of times (or a single time instant) when the relation is valid. While time-agnostic KB completion (KBC) has witnessed significant research, temporal KB completion (TKBC) is in its early days. In this paper, we consider predicting missing entities (link prediction) and missing time intervals (time prediction) as joint TKBC tasks where entities, relations, and time are all embedded in a uniform, compatible space. We present TIMEPLEX, a novel time-aware KBC method, that also automatically exploits the recurrent nature of some relations and temporal interactions between pairs of relations. TIMEPLEX achieves state-of-the-art performance on both prediction tasks. We also find that existing TKBC models heavily overestimate link prediction performance due to imperfect evaluation mechanisms. In response, we propose improved TKBC evaluation protocols for both link and time prediction tasks, dealing with subtle issues that arise from the partial overlap of time intervals in gold instances and system predictions.
• Abstract（参考訳）: 時間的知識ベース (temporal knowledge bases) は関係性 (s,r,o) を、関係性が有効であるとき(あるいは1つの時間インスタント)にトリプルする。 経時的KB完了(KBC)は重要な研究であるのに対し、経時的KB完了(TKBC)は初期の段階である。 本稿では,欠落したエンティティ(リンク予測)と欠落した時間間隔(タイム予測)を,すべて一様で互換性のある空間に埋め込まれたTKBCタスクとして予測することを検討する。 本稿では,時間を考慮したKBC手法であるTIMEPLEXを提案する。 TIMEPLEXは、両方の予測タスクで最先端のパフォーマンスを達成する。 また,既存のTKBCモデルでは,不完全な評価機構によりリンク予測性能が過大評価されている。 そこで本研究では,金のインスタンスとシステム予測における時間間隔の部分的な重複から生じる微妙な問題に対処し,リンクおよび時間予測タスクの改善TKBC評価プロトコルを提案する。

関連論文リスト

• Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
  本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。 幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
  論文  参考訳（メタデータ） (2024-07-02T20:14:32Z)
• From Link Prediction to Forecasting: Information Loss in Batch-based Temporal Graph Learning [0.716879432974126]
  バッチ指向評価の適合性はデータセットの特性に依存することを示す。 我々は、動的リンク予測をリンク予測タスクとして再構成し、データに存在する時間情報のより良い説明を行う。
  論文  参考訳（メタデータ） (2024-06-07T12:45:12Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• TIMELINE: Exhaustive Annotation of Temporal Relations Supporting the Automatic Ordering of Events in News Articles [4.314956204483074]
  本稿では,どの時間的関係にアノテートすべきかに基づいて,その基準を明確に定義する新たなアノテーション手法を提案する。 また、プロセスを自動化する時間的関係(長距離関係を含む)に注釈を付ける方法も提案する。 その結果、新しいデータセットであるTIMELINEコーパスが得られ、アノテーション間の合意が改善された。
  論文  参考訳（メタデータ） (2023-10-26T22:23:38Z)
• Re-Temp: Relation-Aware Temporal Representation Learning for Temporal Knowledge Graph Completion [11.699431017532367]
  補外設定の下での時間的知識グラフ補完(TKGC)は、将来的な事実から欠落した実体を予測することを目的としている。 提案するモデルであるRe-Tempは,明示的な時間的埋め込みを入力として利用し,各タイムスタンプ後のスキップ情報フローを組み込んで,不要な情報を省略して予測する。 我々のモデルは、最近の8つの最先端モデル全てに顕著なマージンで勝っていることを実証する。
  論文  参考訳（メタデータ） (2023-10-24T10:58:33Z)
• More than Classification: A Unified Framework for Event Temporal Relation Extraction [61.44799147458621]
  イベント時間関係抽出(ETRE)は通常、マルチラベル分類タスクとして定式化される。 イベントの開始点と終了点を使ってすべての関係を解釈できることを観察する。 本稿では,時間関係を時間点の論理的表現に変換するイベント時間関係抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-28T02:09:08Z)
• NeuSTIP: A Novel Neuro-Symbolic Model for Link and Time Prediction in Temporal Knowledge Graphs [13.442923127130806]
  本稿では,時間的知識グラフにおけるリンク予測と時間間隔予測を行う新しい時間的ニューロシンボリックモデルNeuSTIPを提案する。 NeuSTIPは、隣接する述語間の時間的一貫性を保証するアレン述語の存在下で時間的規則を学習する。 2つの時間間隔に基づくデータセットに対する実験的な評価は、リンク予測と時間間隔予測の両方において、我々のモデルが最先端のモデルより優れていることを示唆している。
  論文  参考訳（メタデータ） (2023-05-15T13:46:34Z)
• Time in a Box: Advancing Knowledge Graph Completion with Temporal Scopes [9.697584333221455]
  Timeは、特定の期間に正しい回答を抽出するのに役立つフィルターである。 応答エンティティの集合を表すボックスを時間依存クエリに導入する。 提案手法は,リンク予測と時間予測の両方において,最先端(SOTA)手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-12T18:17:07Z)
• One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
  時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。 提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。 実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
  論文  参考訳（メタデータ） (2020-10-23T03:24:44Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。