論文の概要: Temporal Knowledge Graph Reasoning Based on Evolutional Representation Learning

• arxiv url: http://arxiv.org/abs/2104.10353v1
• Date: Wed, 21 Apr 2021 05:12:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-22 14:27:56.542577
• Title: Temporal Knowledge Graph Reasoning Based on Evolutional Representation Learning
• Title（参考訳）: 進化的表現学習に基づく時間的知識グラフ推論
• Authors: Zixuan Li, Xiaolong Jin, Wei Li, Saiping Guan, Jiafeng Guo, Huawei Shen, Yuanzhuo Wang and Xueqi Cheng
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 59.004025528223025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graph (KG) reasoning that predicts missing facts for incomplete KGs has been widely explored. However, reasoning over Temporal KG (TKG) that predicts facts in the future is still far from resolved. The key to predict future facts is to thoroughly understand the historical facts. A TKG is actually a sequence of KGs corresponding to different timestamps, where all concurrent facts in each KG exhibit structural dependencies and temporally adjacent facts carry informative sequential patterns. To capture these properties effectively and efficiently, we propose a novel Recurrent Evolution network based on Graph Convolution Network (GCN), called RE-GCN, which learns the evolutional representations of entities and relations at each timestamp by modeling the KG sequence recurrently. Specifically, for the evolution unit, a relation-aware GCN is leveraged to capture the structural dependencies within the KG at each timestamp. In order to capture the sequential patterns of all facts in parallel, the historical KG sequence is modeled auto-regressively by the gate recurrent components. Moreover, the static properties of entities such as entity types, are also incorporated via a static graph constraint component to obtain better entity representations. Fact prediction at future timestamps can then be realized based on the evolutional entity and relation representations. Extensive experiments demonstrate that the RE-GCN model obtains substantial performance and efficiency improvement for the temporal reasoning tasks on six benchmark datasets. Especially, it achieves up to 11.46\% improvement in MRR for entity prediction with up to 82 times speedup comparing to the state-of-the-art baseline.
• Abstract（参考訳）: 不完全なKGの不足事実を予測する知識グラフ推論(KG)が広く研究されている。 しかし、将来的な事実を予測するための時間的KG(TKG)に対する推論はまだ解決されていない。 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ある。 TKGは、実際には異なるタイムスタンプに対応するKGの系列であり、各KG内の全ての同時事実は構造的依存関係を示し、時間的に隣接する事実は情報的連続パターンを持つ。 本稿では,これらの特性を効果的かつ効率的に捉えるために,グラフ畳み込みネットワーク(GCN)をベースとした新しいリカレント進化ネットワークRE-GCNを提案する。 特に、進化ユニットでは、関係認識gcnを利用して、各タイムスタンプでkg内の構造的依存関係をキャプチャする。 全ての事実の逐次パターンを並列に捉えるために、歴史的なkg系列はゲート再帰成分によって自己回帰的にモデル化される。 さらに、エンティティタイプのようなエンティティの静的プロパティは、より優れたエンティティ表現を得るために静的グラフ制約コンポーネントによっても組み込まれます。 将来のタイムスタンプでの正確な予測は、進化的実体と関係表現に基づいて実現できる。 大規模な実験により、RE-GCNモデルは6つのベンチマークデータセットにおける時間的推論タスクの性能と効率を大幅に向上することを示した。 特に、エンティティ予測のための最大11.46\%の改善を実現し、最先端のベースラインと比較して82倍のスピードアップを実現している。

関連論文リスト

• Learning Granularity Representation for Temporal Knowledge Graph Completion [2.689675451882683]
  時間的知識グラフ(TKG)は、実世界の事実の動的な構造的知識と進化的パターンを反映する時間的情報を含んでいる。 本稿では,TKG 補完のための textbfLearning textbfGranularity textbfRepresentation (termed $mathsfLGRe$) を提案する。 グラニュラリティ・ラーニング(GRL)とアダプティブグラニュラリティ・バランシング(AGB)の2つの主要コンポーネントから構成される。
  論文  参考訳（メタデータ） (2024-08-27T08:19:34Z)
• 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)
• Learning Multi-graph Structure for Temporal Knowledge Graph Reasoning [3.3571415078869955]
  本稿では,LMS(Learning Multi-graph Structure)に着目した革新的な推論手法を提案する。 LMSは、タイムスタンプに沿って効果的にエンティティ表現をマージするための適応ゲートを組み込んでいる。 また、タイムスタンプのセマンティクスをグラフアテンション計算や時間認識デコーダに統合する。
  論文  参考訳（メタデータ） (2023-12-04T08:23:09Z)
• 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)
• Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
  時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。 本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。 S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-02-15T06:36:04Z)
• 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)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Complex Evolutional Pattern Learning for Temporal Knowledge Graph Reasoning [60.94357727688448]
  TKG推論は、歴史的KG配列を考えると、将来の潜在的な事実を予測することを目的としている。 進化のパターンは、長さの多様性と時間変化の2つの側面において複雑である。 本稿では,CEN(Complex Evolutional Network)と呼ばれる新しいモデルを提案する。CNN(Convolutional Neural Network)を用いて,長さの異なる進化パターンを扱う。
  論文  参考訳（メタデータ） (2022-03-15T11:02:55Z)
• 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)
• 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。