論文の概要: T-GAP: Learning to Walk across Time for Temporal Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2012.10595v1
• Date: Sat, 19 Dec 2020 04:45:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 16:54:57.673133
• Title: T-GAP: Learning to Walk across Time for Temporal Knowledge Graph Completion
• Title（参考訳）: T-GAP: 時間的知識グラフ補完のための歩行学習
• Authors: Jaehun Jung, Jinhong Jung, U Kang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.209193437124881
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal knowledge graphs (TKGs) inherently reflect the transient nature of real-world knowledge, as opposed to static knowledge graphs. Naturally, automatic TKG completion has drawn much research interests for a more realistic modeling of relational reasoning. However, most of the existing mod-els for TKG completion extend static KG embeddings that donot fully exploit TKG structure, thus lacking in 1) account-ing for temporally relevant events already residing in the lo-cal neighborhood of a query, and 2) path-based inference that facilitates multi-hop reasoning and better interpretability. In this paper, we propose T-GAP, a novel model for TKG completion that maximally utilizes both temporal information and graph structure in its encoder and decoder. T-GAP encodes query-specific substructure of TKG by focusing on the temporal displacement between each event and the query times-tamp, and performs path-based inference by propagating attention through the graph. Our empirical experiments demonstrate that T-GAP not only achieves superior performance against state-of-the-art baselines, but also competently generalizes to queries with unseen timestamps. Through extensive qualitative analyses, we also show that T-GAP enjoys from transparent interpretability, and follows human intuition in its reasoning process.
• Abstract（参考訳）: 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。 自然に、自動tkg補完はリレーショナル推論のより現実的なモデリングのために多くの研究の関心を集めている。 しかし、既存のTKGコンプリート用モジュールのほとんどは、TKG構造を完全に活用しない静的KG埋め込みを拡張しており、1)クエリのlo-cal地区にすでに存在する時間的関連イベントのアカウント化、2)マルチホップ推論とより良い解釈性を促進するパスベースの推論を欠いている。 本稿では,その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。 T-GAPは、各イベントとクエリタイムスタンプ間の時間的変位に着目して、TKGのクエリ固有のサブ構造を符号化し、グラフを通して注意を伝播することでパスベースの推論を行う。 我々の実証実験は、T-GAPが最先端のベースラインに対して優れた性能を発揮するだけでなく、目に見えないタイムスタンプを持つクエリにも有能に一般化できることを示した。 また, T-GAPは透明な解釈性から, その推論過程において人間の直感に従うことが示唆された。

関連論文リスト

• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [114.72818205974285]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• 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)
• 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)
• ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
  ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。 我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
  論文  参考訳（メタデータ） (2022-06-08T23:34:39Z)
• Learning Meta Representations of One-shot Relations for Temporal Knowledge Graph Link Prediction [33.36701435886095]
  近年,静的知識グラフ(KG)のリレーショナル学習が注目されている。 TKGには豊富な時間情報が含まれており、モデリングには時間的推論技術が必要である。 これは、時間的文脈で少数のショットの関係を学ぶ上で大きな課題となる。
  論文  参考訳（メタデータ） (2022-05-21T15:17:52Z)
• EvoKG: Jointly Modeling Event Time and Network Structure for Reasoning over Temporal Knowledge Graphs [25.408246523764085]
  時間的知識グラフ(TKG)に対する推論は、インテリジェントなサービスを提供する多くのアプリケーションにとって不可欠である。 本稿では、TKGに対する効果的な推論、すなわちイベント時間と進化するネットワーク構造をモデル化するために対処すべき2つの主要な問題を統一する問題定式化を提案する。 提案手法は,TKGの非定常的構造と時間的ダイナミクスを解析し,両タスクを効果的にモデル化する。
  論文  参考訳（メタデータ） (2022-02-15T18:49:53Z)
• 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)
• TeMP: Temporal Message Passing for Temporal Knowledge Graph Completion [45.588053447288566]
  時間的知識グラフ(TKGs)に欠落した事実を推測することは、基本的で困難な課題である。 本稿では、グラフニューラルネットワーク、時間力学モデル、データインプット、周波数ベースのゲーティング技術を組み合わせることで、これらの課題に対処するTemporal Message Passing(TeMP)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-07T17:11:53Z)
• TeRo: A Time-aware Knowledge Graph Embedding via Temporal Rotation [12.138550487430807]
  本稿では,TKG埋め込みの新しいアプローチであるTeRoについて述べる。 提案モデルでは,既存のKG埋め込みモデルとTKG埋め込みモデルの限界を克服する。 4つの異なるTKG実験の結果、TeRoはリンク予測のための既存の最先端モデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-10-02T14:35:27Z)

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。