論文の概要: Search from History and Reason for Future: Two-stage Reasoning on Temporal Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2106.00327v1
• Date: Tue, 1 Jun 2021 09:01:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-02 14:23:07.404917
• Title: Search from History and Reason for Future: Two-stage Reasoning on Temporal Knowledge Graphs
• Title（参考訳）: 歴史からの探索と未来への理由:時間知識グラフの2段階推論
• Authors: Zixuan Li, Xiaolong Jin, Saiping Guan, Wei Li, Jiafeng Guo, Yuanzhuo Wang and Xueqi Cheng
• Abstract要約: そこで我々は,CluSTeRを提案し,2段階の予測手法であるClue SearchとTemporal Reasoningを提案する。 CluSTeRは、強化学習(RL)を通じてビームサーチポリシーを学び、歴史的事実から複数の手がかりを導き出す。 時間的推論段階では、グラフ畳み込みネットワークに基づくシーケンス法を採用し、手がかりから回答を導出する。
• 参考スコア（独自算出の注目度）: 56.33651635705633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal Knowledge Graphs (TKGs) have been developed and used in many different areas. Reasoning on TKGs that predicts potential facts (events) in the future brings great challenges to existing models. When facing a prediction task, human beings usually search useful historical information (i.e., clues) in their memories and then reason for future meticulously. Inspired by this mechanism, we propose CluSTeR to predict future facts in a two-stage manner, Clue Searching and Temporal Reasoning, accordingly. Specifically, at the clue searching stage, CluSTeR learns a beam search policy via reinforcement learning (RL) to induce multiple clues from historical facts. At the temporal reasoning stage, it adopts a graph convolution network based sequence method to deduce answers from clues. Experiments on four datasets demonstrate the substantial advantages of CluSTeR compared with the state-of-the-art methods. Moreover, the clues found by CluSTeR further provide interpretability for the results.
• Abstract（参考訳）: 時間的知識グラフ (TKG) は様々な分野で開発・利用されている。 将来の潜在的な事実(イベント)を予測するtkgの推論は、既存のモデルに大きな課題をもたらす。 予測タスクに直面するとき、人間は通常、記憶の中の有用な歴史的情報(すなわち手がかり)を検索し、将来を慎重に考える。 そこで本研究では,この機構に触発されて,手がかり探索と時間推論の2段階的な予測を行うクラスタを提案する。 具体的には、手がかり探索段階において、CluSTeRは強化学習(RL)を介してビーム探索ポリシーを学び、歴史的事実から複数の手がかりを導き出す。 時間的推論の段階では、グラフ畳み込みネットワークに基づくシーケンス法を採用し、答えを手がかりから導き出す。 4つのデータセットの実験は、最先端の手法と比較してCluSTeRのかなりの利点を示している。 さらに、CluSTeRが発見した手がかりは、結果の解釈可能性をさらに高める。

関連論文リスト

• HIP Network: Historical Information Passing Network for Extrapolation Reasoning on Temporal Knowledge Graph [14.832067253514213]
  今後の出来事を予測するために,歴史情報伝達(HIP)ネットワークを提案する。 本手法では,関係表現の更新を考慮し,上記の次元に対応する3つのスコアリング関数を採用する。 5つのベンチマークデータセットの実験結果は、HIPネットワークの優位性を示している。
  論文  参考訳（メタデータ） (2024-02-19T11:50:30Z)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• A Survey on Temporal Knowledge Graph Completion: Taxonomy, Progress, and Prospects [73.44022660932087]
  時間的特性は、かなりの量の知識で顕著に明らかである。 新たな知識の継続的な出現、構造化されていないデータから構造化された情報を抽出するアルゴリズムの弱点、ソースデータセットにおける情報の欠如を引用する。 TKGC(Temporal Knowledge Graph Completion)のタスクは、利用可能な情報に基づいて行方不明アイテムを予測することを目的として、注目を集めている。
  論文  参考訳（メタデータ） (2023-08-04T16:49:54Z)
• DREAM: Adaptive Reinforcement Learning based on Attention Mechanism for Temporal Knowledge Graph Reasoning [46.16322824448241]
  本稿では,注意機構(DREAM)に基づく適応型強化学習モデルを提案する。 実験により、DREAMはパブリックデータセットの最先端モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-08T10:57:37Z)
• A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal [57.8455911689554]
  知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。 質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
  論文  参考訳（メタデータ） (2022-12-12T08:40:04Z)
• 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)
• TimeTraveler: Reinforcement Learning for Temporal Knowledge Graph Forecasting [12.963769928056253]
  本稿では,予測のための最初の強化学習手法を提案する。具体的には,エージェントが過去の知識グラフのスナップショットを旅して回答を検索する。 提案手法は,タイムパン情報を取得するための相対時間符号化関数を定義し,ディリクレ分布に基づく新たな時間型報酬を設計し,モデル学習を指導する。 我々は,このリンク予測タスクを将来のタイムスタンプで評価する。
  論文  参考訳（メタデータ） (2021-09-09T08:41:01Z)
• Learning from History: Modeling Temporal Knowledge Graphs with Sequential Copy-Generation Networks [8.317441990017924]
  本稿では,新しいタイムアウェアコピー生成機構に基づく時間知識グラフ,すなわちCyGNetの表現学習モデルを提案する。 cygnetは、エンティティの語彙全体から将来の事実を予測できるだけでなく、繰り返しで事実を識別できるため、過去の既知の事実を参照して、そのような将来の事実を予測できる。
  論文  参考訳（メタデータ） (2020-12-15T18:38:03Z)
• A Survey on Knowledge Graphs: Representation, Acquisition and Applications [89.78089494738002]
  我々は,1)知識グラフ表現学習,2)知識獲得と完成,3)時間的知識グラフ,および4)知識認識アプリケーションに関する研究トピックをレビューする。 知識獲得、特に知識グラフの完成、埋め込み方法、経路推論、論理ルール推論について概観する。 メタラーニング、コモンセンス推論、時間的知識グラフなど、いくつかの新しいトピックを探求する。
  論文  参考訳（メタデータ） (2020-02-02T13:17:31Z)

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。