論文の概要: RTFE: A Recursive Temporal Fact Embedding Framework for Temporal Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2009.14653v4
• Date: Fri, 4 Jun 2021 07:19:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 23:46:11.576702
• Title: RTFE: A Recursive Temporal Fact Embedding Framework for Temporal Knowledge Graph Completion
• Title（参考訳）: RTFE: 時間的知識グラフ補完のための再帰的時間的ファクト埋め込みフレームワーク
• Authors: Youri Xu, E Haihong, Meina Song, Wenyu Song, Xiaodong Lv, Wang Haotian, Yang Jinrui
• Abstract要約: 近年,時間知識グラフ (TKG) 埋め込み (TKGE) が出現している。 本稿では,5つのデータセットを移植するRecursive Temporal FactEフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.3051951354529256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Static knowledge graph (SKG) embedding (SKGE) has been studied intensively in the past years. Recently, temporal knowledge graph (TKG) embedding (TKGE) has emerged. In this paper, we propose a Recursive Temporal Fact Embedding (RTFE) framework to transplant SKGE models to TKGs and to enhance the performance of existing TKGE models for TKG completion. Different from previous work which ignores the continuity of states of TKG in time evolution, we treat the sequence of graphs as a Markov chain, which transitions from the previous state to the next state. RTFE takes the SKGE to initialize the embeddings of TKG. Then it recursively tracks the state transition of TKG by passing updated parameters/features between timestamps. Specifically, at each timestamp, we approximate the state transition as the gradient update process. Since RTFE learns each timestamp recursively, it can naturally transit to future timestamps. Experiments on five TKG datasets show the effectiveness of RTFE.
• Abstract（参考訳）: 静的知識グラフ (SKG) 埋め込み (SKGE) は近年, 盛んに研究されている。 近年,時間知識グラフ (TKG) 埋め込み (TKGE) が出現している。 本稿では,SKGEモデルをTKGに移植し,既存のTKGEモデルのTKG補完性能を向上させるためのRTFEフレームワークを提案する。 時間進化におけるTKGの状態の連続性を無視する以前の研究とは異なり、グラフの列は前の状態から次の状態へ遷移するマルコフ連鎖として扱う。 RTFEはSKGEを使ってTKGの埋め込みを初期化する。 その後、タイムスタンプ間で更新されたパラメータ/特徴を渡すことで、TKGの状態遷移を再帰的に追跡する。 具体的には、各タイムスタンプにおいて、状態遷移を勾配更新プロセスとして近似する。 RTFEは各タイムスタンプを再帰的に学習するため、将来のタイムスタンプに自然に移行することができる。 5つのTKGデータセットの実験はRTFEの有効性を示している。

関連論文リスト

• Temporal Graph Benchmark for Machine Learning on Temporal Graphs [54.52243310226456]
  テンポラルグラフベンチマーク(TGB)は、困難で多様なベンチマークデータセットのコレクションである。 各データセットをベンチマークし、共通のモデルのパフォーマンスがデータセット間で大きく異なることを発見した。 TGBは、再現可能でアクセス可能な時間グラフ研究のための自動機械学習パイプラインを提供する。
  論文  参考訳（メタデータ） (2023-07-03T13:58:20Z)
• Adaptive Path-Memory Network for Temporal Knowledge Graph Reasoning [25.84105067110878]
  時間的知識グラフ(TKG)推論は、過去の情報に基づいて将来の行方不明事実を予測することを目的としている。 我々は,TKGの関係性,すなわち aDAptivE path-MemOry Network (DaeMon) を用いた新しいアーキテクチャモデリングを提案する。 DaeMonは、クエリ対象と各オブジェクト候補の間の時間パス情報を履歴時間にわたって適応的にモデル化する。
  論文  参考訳（メタデータ） (2023-04-25T06:33:08Z)
• Meta-Learning Based Knowledge Extrapolation for Temporal Knowledge Graph [4.103806361930888]
  時間的KG(TKG)は、静的トリプルとタイムスタンプを関連付けることで従来の知識グラフを拡張する。 本稿では,メタラーニングに基づく時間知識グラフ外挿法(MTKGE)モデルを提案する。 MTKGEは知識グラフ外挿法において既存の最先端モデルよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T09:52:26Z)
• Search to Pass Messages for Temporal Knowledge Graph Completion [97.40256786473516]
  我々は、時間知識グラフ(TKG)の補完のために、NAS(Neural Architecture Search)を用いて、データ固有のメッセージパッシングアーキテクチャを設計することを提案する。 特に,TKGにおけるトポロジカルおよび時間的情報を探るための一般化されたフレームワークを開発する。 より低コストで効率的な探索のために単一経路をサンプリングし,スーパーネット構造を訓練する探索アルゴリズムを採用する。
  論文  参考訳（メタデータ） (2022-10-30T04:05:06Z)
• HiSMatch: Historical Structure Matching based Temporal Knowledge Graph Reasoning [59.38797474903334]
  本稿では,textbfHistorical textbfStructure textbfMatching (textbfHiSMatch)モデルを提案する。 クエリと候補エンティティの履歴構造に含まれる意味情報をキャプチャするために、2つの構造エンコーダを適用する。 6つのベンチマークデータセットの実験では、提案されたHiSMatchモデルが、最先端のベースラインと比較して最大5.6%のパフォーマンス改善を達成している。
  論文  参考訳（メタデータ） (2022-10-18T09:39:26Z)
• Temporal Knowledge Graph Completion: A Survey [24.35073672695095]
  知識グラフ補完(KGC)は、欠落したリンクを予測でき、現実世界の知識グラフにとって不可欠である。 最近の手法では、事実のタイムスタンプをさらに取り入れることで予測結果が改善されている。
  論文  参考訳（メタデータ） (2022-01-16T05:43:49Z)
• Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer [69.0621959845251]
  本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。 TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。 5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-14T22:50:53Z)
• Temporal Knowledge Graph Reasoning Based on Evolutional Representation Learning [59.004025528223025]
  将来の事実を予測する鍵は、歴史的事実を徹底的に理解することです。 TKGは実際には異なるタイムスタンプに対応するKGのシーケンスである。 グラフ畳み込みネットワーク(GCN)に基づく新しいリカレント進化ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-04-21T05:12:21Z)
• TIE: A Framework for Embedding-based Incremental Temporal Knowledge Graph Completion [37.76140466390048]
  時間的知識グラフ(TKG)の推論は、情報検索と意味検索にとって重要なタスクです。 近年のTKGコンプリート(TKGC)は,エンコーダデコーダフレームワークをタイムアウェアな符号化関数で拡張することによって実現されている。 本稿では,TKG表現学習,経験再現,時間正規化を組み合わせたTIE(Time-Aware Incremental Embedding)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-17T01:40:46Z)
• A Closer Look at Temporal Sentence Grounding in Videos: Datasets and Metrics [70.45937234489044]
  2つの広く使用されているTSGVデータセット(Charades-STAとActivityNet Captions)を再編成し、トレーニング分割と異なるものにします。 基本的なIoUスコアを校正するために、新しい評価基準「dR@$n$,IoU@$m$」を導入する。 すべての結果は、再編成されたデータセットと新しいメトリクスがTSGVの進捗をよりよく監視できることを示している。
  論文  参考訳（メタデータ） (2021-01-22T09:59:30Z)
• T-GAP: Learning to Walk across Time for Temporal Knowledge Graph Completion [13.209193437124881]
  時間的知識グラフ(TKG)は、静的知識グラフとは対照的に、本質的に現実世界の知識の過渡的な性質を反映している。 エンコーダとデコーダにおける時間情報とグラフ構造の両方を最大限に活用するTKG補完の新しいモデルであるT-GAPを提案する。 本実験は、T-GAPが最先端のベースラインに対する優れた性能を達成し、目に見えないタイムスタンプによるクエリに有能に一般化することを示す。
  論文  参考訳（メタデータ） (2020-12-19T04:45:32Z)

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。