論文の概要: Time-aware Graph Embedding: A temporal smoothness and task-oriented approach

• arxiv url: http://arxiv.org/abs/2007.11164v1
• Date: Wed, 22 Jul 2020 02:20:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 22:01:42.027084
• Title: Time-aware Graph Embedding: A temporal smoothness and task-oriented approach
• Title（参考訳）: 時間対応グラフ埋め込み:時間的スムーズさとタスク指向アプローチ
• Authors: Yonghui Xu, Shengjie Sun, Yuan Miao, Dong Yang, Xiaonan Meng, Yi Hu, Ke Wang, Hengjie Song, Chuanyan Miao
• Abstract要約: 本稿では,時間的滑らかさを取り入れたロバストな時間認識グラフ埋め込み(RTGE)手法を提案する。 まず、RTGEは時間認識グラフ埋め込みの学習過程における時間的滑らかさの尺度を統合する。 第2に、RTGEは時間的情報に関連する一般的なタスク指向のネガティブサンプリング戦略を提供する。
• 参考スコア（独自算出の注目度）: 9.669206664225234
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph embedding, which aims to learn the low-dimensional representations of entities and relationships, has attracted considerable research efforts recently. However, most knowledge graph embedding methods focus on the structural relationships in fixed triples while ignoring the temporal information. Currently, existing time-aware graph embedding methods only focus on the factual plausibility, while ignoring the temporal smoothness which models the interactions between a fact and its contexts, and thus can capture fine-granularity temporal relationships. This leads to the limited performance of embedding related applications. To solve this problem, this paper presents a Robustly Time-aware Graph Embedding (RTGE) method by incorporating temporal smoothness. Two major innovations of our paper are presented here. At first, RTGE integrates a measure of temporal smoothness in the learning process of the time-aware graph embedding. Via the proposed additional smoothing factor, RTGE can preserve both structural information and evolutionary patterns of a given graph. Secondly, RTGE provides a general task-oriented negative sampling strategy associated with temporally-aware information, which further improves the adaptive ability of the proposed algorithm and plays an essential role in obtaining superior performance in various tasks. Extensive experiments conducted on multiple benchmark tasks show that RTGE can increase performance in entity/relationship/temporal scoping prediction tasks.
• Abstract（参考訳）: 実体と関係の低次元表現を学習することを目的とした知識グラフの埋め込みは、近年、かなりの研究努力を集めている。 しかし、ほとんどの知識グラフ埋め込み手法は、時間的情報を無視しながら固定三重項の構造的関係に焦点を当てている。 現在、既存の時間対応グラフ埋め込み法は、事実と文脈間の相互作用をモデル化する時間的滑らかさを無視しながら、事実の妥当性にのみ焦点をあてている。 これにより、組み込み関連アプリケーションのパフォーマンスが制限される。 本稿では,時間的平滑性を考慮したロバストな時間対応グラフ埋め込み(rtge)手法を提案する。 本稿では2つの主要なイノベーションを紹介します。 まず、RTGEは時間認識グラフ埋め込みの学習過程における時間的滑らかさの尺度を統合する。 提案された追加の平滑化因子により、rtgeは所定のグラフの構造情報と進化パターンの両方を保存できる。 第2に、RTGEは時間的認識情報に関連する一般的なタスク指向のネガティブサンプリング戦略を提供し、提案アルゴリズムの適応性をさらに向上させ、様々なタスクにおいて優れたパフォーマンスを得る上で重要な役割を果たす。 複数のベンチマークタスクで実施された大規模な実験により、RTGEはエンティティ/リレーショナル/時間スコッピング予測タスクのパフォーマンスを向上させることができる。

関連論文リスト

• Instance-Aware Graph Prompt Learning [71.26108600288308]
  本稿では,インスタンス対応グラフプロンプト学習(IA-GPL)について紹介する。 このプロセスでは、軽量アーキテクチャを使用して各インスタンスの中間プロンプトを生成する。 複数のデータセットと設定で実施された実験は、最先端のベースラインと比較して、IA-GPLの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-11-26T18:38:38Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• MTGER: Multi-view Temporal Graph Enhanced Temporal Reasoning over Time-Involved Document [26.26604509399347]
  MTGERは、時間に関連する文書に対する時間的推論のための新しいフレームワークである。 多視点時間グラフにより、事実間の時間的関係を明示的にモデル化する。 MTGERは質問の摂動下でより一貫した回答を与える。
  論文  参考訳（メタデータ） (2023-11-08T16:41:37Z)
• Time-aware Graph Structure Learning via Sequence Prediction on Temporal Graphs [10.034072706245544]
  時系列グラフのシーケンス予測による時間認識型グラフ構造学習(TGSL)手法を提案する。 特に、タイムアウェアなコンテキスト埋め込みを予測し、Gumble-Top-Kを使用して、このコンテキスト埋め込みに最も近い候補エッジを選択する。 時間リンク予測ベンチマークの実験は、TGSLがTGATやGraphMixerのような一般的なTGNに対して大きな利益をもたらすことを示した。
  論文  参考訳（メタデータ） (2023-06-13T11:34:36Z)
• FTM: A Frame-level Timeline Modeling Method for Temporal Graph Representation Learning [47.52733127616005]
  本稿では,短期的特徴と長期的特徴の両方を捉えるのに役立つフレームレベルタイムラインモデリング(FTM)手法を提案する。 我々の手法は、ほとんどの時間的GNNで簡単に組み立てることができる。
  論文  参考訳（メタデータ） (2023-02-23T06:53:16Z)
• DyTed: Disentangled Representation Learning for Discrete-time Dynamic Graph [59.583555454424]
  離散時間動的グラフ、すなわちDyTedのための新しいディペンタングル表現学習フレームワークを提案する。 本研究では,時間不変の表現と時間変動の表現を効果的に識別する構造的コントラスト学習とともに,時間的クリップのコントラスト学習タスクを特別に設計する。
  論文  参考訳（メタデータ） (2022-10-19T14:34:12Z)
• Temporal Knowledge Graph Reasoning with Low-rank and Model-agnostic Representations [1.8262547855491458]
  低ランクテンソル分解モデル LowFER のパラメータ効率および時間認識拡張系である Time-LowFER を導入する。 時間を表現するための現在のアプローチのいくつかの制限に留意し、時間特徴に対するサイクル対応の時間符号化方式を提案する。 我々は,時間に敏感なデータ処理に着目した統合時間知識グラフ埋め込みフレームワークに本手法を実装した。
  論文  参考訳（メタデータ） (2022-04-10T22:24:11Z)
• ChronoR: Rotation Based Temporal Knowledge Graph Embedding [8.039202293739185]
  時間的知識グラフに対する推論の難解な問題について検討する。 実体,関係,時間を表す表現を学習するための新しいモデルであるChronoR(ChronoR)を提案する。 chronorは、時間的知識グラフリンク予測のためのベンチマークデータセットの最先端メソッドの多くを上回ることができる。
  論文  参考訳（メタデータ） (2021-03-18T17:08:33Z)
• Temporal Contrastive Graph Learning for Video Action Recognition and Retrieval [83.56444443849679]
  本研究では,動画内の時間依存性を利用して,TCGL (temporal Contrastive Graph Learning) という新たな自己監督手法を提案する。 TCGLは、スニペット間およびスニペット内時間依存性を時間表現学習のための自己監督信号として共同で評価するハイブリッドグラフコントラスト学習戦略をルーツとしています。 実験結果は、大規模アクション認識およびビデオ検索ベンチマークにおける最先端の方法よりも、TCGLの優位性を示しています。
  論文  参考訳（メタデータ） (2021-01-04T08:11:39Z)
• 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)

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。