論文の概要: xERTE: Explainable Reasoning on Temporal Knowledge Graphs for Forecasting Future Links

• arxiv url: http://arxiv.org/abs/2012.15537v5
• Date: Thu, 1 Apr 2021 13:17:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-17 17:24:25.625644
• Title: xERTE: Explainable Reasoning on Temporal Knowledge Graphs for Forecasting Future Links
• Title（参考訳）: xerte: 未来的リンク予測のための時間的知識グラフの説明可能な推論
• Authors: Zhen Han, Peng Chen, Yunpu Ma, Volker Tresp
• Abstract要約: 本稿では,時間的KGのクエリ関連部分グラフを理由とするリンク予測フレームワークを提案する。 本稿では,囲い込み部分グラフの抽出を導くための時間的関係性注意機構と新しい逆表現更新方式を提案する。 我々のアプローチは予測を説明する人間の理解可能な証拠を提供する。
• 参考スコア（独自算出の注目度）: 21.848948946837844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling time-evolving knowledge graphs (KGs) has recently gained increasing interest. Here, graph representation learning has become the dominant paradigm for link prediction on temporal KGs. However, the embedding-based approaches largely operate in a black-box fashion, lacking the ability to interpret their predictions. This paper provides a link forecasting framework that reasons over query-relevant subgraphs of temporal KGs and jointly models the structural dependencies and the temporal dynamics. Especially, we propose a temporal relational attention mechanism and a novel reverse representation update scheme to guide the extraction of an enclosing subgraph around the query. The subgraph is expanded by an iterative sampling of temporal neighbors and by attention propagation. Our approach provides human-understandable evidence explaining the forecast. We evaluate our model on four benchmark temporal knowledge graphs for the link forecasting task. While being more explainable, our model obtains a relative improvement of up to 20% on Hits@1 compared to the previous best KG forecasting method. We also conduct a survey with 53 respondents, and the results show that the evidence extracted by the model for link forecasting is aligned with human understanding.
• Abstract（参考訳）: 時間進化知識グラフ(KG)のモデリングは近年、関心が高まりつつある。 ここでグラフ表現学習は時間的kgのリンク予測の主要なパラダイムとなっている。 しかし、埋め込みベースのアプローチは主にブラックボックス方式で動作し、予測を解釈する能力が欠如している。 本稿では,時間的kgのクエリ関連部分グラフを理由とし,構造的依存関係と時間的ダイナミクスを共同でモデル化するリンク予測フレームワークを提案する。 特に,クエリの周りに囲む部分グラフの抽出を導くために,時間的関係性注意機構と新しい逆表現更新方式を提案する。 このサブグラフは、時間的近傍の反復サンプリングと注意伝播によって拡張される。 我々のアプローチは予測を説明する人間の理解可能な証拠を提供する。 リンク予測タスクのためのベンチマーク時間知識グラフを4つ評価した。 より説明しやすい一方で,これまでのKG予測手法と比較して,Hits@1では20%の相対的な改善が得られた。 また,53名の回答者を対象に調査を行い,リンク予測モデルから抽出した証拠が人間の理解と一致していることを示した。

関連論文リスト

• 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)
• LinkLogic: A New Method and Benchmark for Explainable Knowledge Graph Predictions [0.5999777817331317]
  本稿では、LinkLogicと呼ばれる単純なリンク予測説明法について詳細に検討する。 FB13データセットに存在する家族構造に基づいて,最初のリンク予測説明ベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-02T20:22:22Z)
• Temporal Link Prediction Using Graph Embedding Dynamics [0.0]
  動的ネットワークにおける時間的リンク予測は、複雑な科学的および現実世界の問題を解く可能性から特に関心がある。 時間的リンク予測への伝統的なアプローチは、ネットワークのダイナミックスの集約を統一的な出力として見つけることに集中してきた。 本稿では,ノードをニュートンオブジェクトとして定義し,ネットワークダイナミクスの予測に速度の概念を取り入れることで,時間的リンク予測の新しい視点を提案する。
  論文  参考訳（メタデータ） (2024-01-15T07:35:29Z)
• 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)
• Towards Few-shot Inductive Link Prediction on Knowledge Graphs: A Relational Anonymous Walk-guided Neural Process Approach [49.00753238429618]
  知識グラフ上のインダクティブリンク予測は,少数ショットリンクを観測した未確認エンティティのリンク不足を予測することを目的としている。 近年の帰納的手法は、目に見えない実体を取り巻く部分グラフを用いて意味情報を取得し、リンクを誘導的に予測する。 本稿では,知識グラフ上の数ショットの帰納的リンク予測をRawNPと表記する,新しいリレーショナル匿名型歩行誘導ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-06-26T12:02:32Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• Understanding Neural Abstractive Summarization Models via Uncertainty [54.37665950633147]
  seq2seq抽象要約モデルは、自由形式の方法でテキストを生成する。 モデルのトークンレベルの予測のエントロピー、すなわち不確実性について検討する。 要約とテキスト生成モデルをより広範囲に解析する上で,不確実性は有用であることを示す。
  論文  参考訳（メタデータ） (2020-10-15T16:57:27Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

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。