論文の概要: Temporal Knowledge Graph Forecasting with Neural ODE

• arxiv url: http://arxiv.org/abs/2101.05151v1
• Date: Wed, 13 Jan 2021 15:49:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 08:07:09.192143
• Title: Temporal Knowledge Graph Forecasting with Neural ODE
• Title（参考訳）: ニューラルodeを用いた時間知識グラフ予測
• Authors: Zifeng Ding, Zhen Han, Yunpu Ma, Volker Tresp
• Abstract要約: 連続体深度モデルの概念を時間発展型マルチリレーショナルグラフデータに拡張する。 GNN(Graph Neural Network)によるNODEと構造情報による時間情報のキャプチャ 本モデルでは,連続モデルが実現され,将来予測のためのノード表現を効率的に学習する。
• 参考スコア（独自算出の注目度）: 19.64877769280854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning node representation on dynamically-evolving, multi-relational graph data has gained great research interest. However, most of the existing models for temporal knowledge graph forecasting use Recurrent Neural Network (RNN) with discrete depth to capture temporal information, while time is a continuous variable. Inspired by Neural Ordinary Differential Equation (NODE), we extend the idea of continuum-depth models to time-evolving multi-relational graph data, and propose a novel Temporal Knowledge Graph Forecasting model with NODE. Our model captures temporal information through NODE and structural information through a Graph Neural Network (GNN). Thus, our graph ODE model achieves a continuous model in time and efficiently learns node representation for future prediction. We evaluate our model on six temporal knowledge graph datasets by performing link forecasting. Experiment results show the superiority of our model.
• Abstract（参考訳）: 動的に進化するマルチリレーショナルグラフデータに対するノード表現の学習は、大きな研究関心を集めている。 しかし、時間的知識グラフ予測のための既存のモデルのほとんどは、時間的情報を取得するために離散的な深度を持つリカレントニューラルネットワーク(RNN)を使用している。 NODE(Neural Ordinary Differential Equation)に着想を得て,連続体深度モデルの概念を時間発展型マルチリレーショナルグラフデータに拡張し,NODEを用いた新しい時間知識グラフ予測モデルを提案する。 本モデルでは, 時間的情報をNODEおよび構造的情報をグラフニューラルネットワーク(GNN)で取得する。 このように,グラフodeモデルでは連続モデルが実現され,将来予測のためのノード表現を効率的に学習する。 リンク予測を行い、6つの時間的知識グラフデータセット上でモデルを評価する。 実験結果から,本モデルの優位性を示した。

関連論文リスト

• On The Temporal Domain of Differential Equation Inspired Graph Neural Networks [14.779420473274737]
  我々のモデルは、TDE-GNNと呼ばれ、典型的な一階法や二階法を超越した、幅広い時間的ダイナミクスを捉えることができる。 いくつかのグラフベンチマークで予め定義された時間的ダイナミクスを使用するのではなく,我々の手法を用いて時間的依存を学習する利点を実証する。
  論文  参考訳（メタデータ） (2024-01-20T01:12:57Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Temporal Graph Neural Networks for Irregular Data [14.653008985229615]
  TGNN4Iモデルは、不規則な時間ステップとグラフの部分的な観察の両方を扱うように設計されている。 時間連続力学により、任意の時間ステップでモデルを予測できる。 交通・気候モデルによるシミュレーションデータと実世界のデータの実験は、グラフ構造と時間連続力学の両方の有用性を検証する。
  論文  参考訳（メタデータ） (2023-02-16T16:47:55Z)
• Continuous Temporal Graph Networks for Event-Based Graph Data [41.786721257905555]
  本研究では、時間グラフデータの連続的ダイナミクスを捉えるために、CTGN(Continuous Temporal Graph Networks)を提案する。 鍵となる考え方は、ニューラルネットワークの常微分方程式(ODE)を用いて、動的グラフ上のノード表現の連続的ダイナミクスを特徴づけることである。 帰納的タスクと帰納的タスクの両方の実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-05-31T16:17:02Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Dynamic Graph Learning-Neural Network for Multivariate Time Series Modeling [2.3022070933226217]
  静的および動的グラフ学習ニューラルネットワーク(GL)という新しいフレームワークを提案する。 モデルはそれぞれ、データから静的グラフ行列と動的グラフ行列を取得し、長期パターンと短期パターンをモデル化する。 ほぼすべてのデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-12-06T08:19:15Z)
• Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
  生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。 また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
  論文  参考訳（メタデータ） (2021-06-24T01:40:17Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• Streaming Graph Neural Networks via Continual Learning [31.810308087441445]
  グラフニューラルネットワーク(GNN)は様々なアプリケーションで高いパフォーマンスを実現している。 本稿では,連続学習に基づくストリーミングGNNモデルを提案する。 モデルパラメータを効率的に更新し、モデル再トレーニングに匹敵する性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-09-23T06:52:30Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts [81.4757750425247]
  動的テキスト環境における質問応答について検討する。 構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2020-04-25T04:53:54Z)

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。