論文の概要: Leveraging Static Models for Link Prediction in Temporal Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2106.15223v1
• Date: Tue, 29 Jun 2021 10:15:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-01 02:32:03.425406
• Title: Leveraging Static Models for Link Prediction in Temporal Knowledge Graphs
• Title（参考訳）: 時間知識グラフにおけるリンク予測のための静的モデルの利用
• Authors: Wessel Radstok and Mel Chekol
• Abstract要約: 我々は,時空間KGEにおいて,SpliMeが現在の最先端技術と競合するか,あるいは競争していることを示す。 時間グラフ上で静的モデルの性能を評価するために現在使われている手順の問題点を明らかにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The inclusion of temporal scopes of facts in knowledge graph embedding (KGE) presents significant opportunities for improving the resulting embeddings, and consequently for increased performance in downstream applications. Yet, little research effort has focussed on this area and much of the carried out research reports only marginally improved results compared to models trained without temporal scopes (static models). Furthermore, rather than leveraging existing work on static models, they introduce new models specific to temporal knowledge graphs. We propose a novel perspective that takes advantage of the power of existing static embedding models by focussing effort on manipulating the data instead. Our method, SpliMe, draws inspiration from the field of signal processing and early work in graph embedding. We show that SpliMe competes with or outperforms the current state of the art in temporal KGE. Additionally, we uncover issues with the procedure currently used to assess the performance of static models on temporal graphs and introduce two ways to counteract them.
• Abstract（参考訳）: 知識グラフ埋め込み(KGE)に事実の時間的スコープを組み込むことは、結果の埋め込みを改善する重要な機会を示し、結果として下流アプリケーションの性能を向上させる。 しかし、この分野にはほとんど研究努力が集中しておらず、実施された研究報告の多くは、時間的スコープ(静的モデル)無しでトレーニングされたモデルと比較して、わずかに改善された結果のみである。 さらに、静的モデルにおける既存の作業を活用する代わりに、時間的知識グラフに特化した新しいモデルを導入する。 そこで本稿では,データ操作に重点を置くことによって,既存の静的埋め込みモデルのパワーを生かした新たな視点を提案する。 我々の手法であるSpliMeは、信号処理の分野やグラフ埋め込みの初期研究からインスピレーションを得ている。 我々は,時空間KGEにおいて,SpliMeが現在の最先端技術と競合するか,あるいは競争していることを示す。 さらに,時相グラフ上での静的モデルの性能評価に現在使用されているプロシージャの問題点を明らかにし,その対策方法を2つ紹介する。

関連論文リスト

• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• Robust Traffic Forecasting against Spatial Shift over Years [11.208740750755025]
  新たに提案したトラフィックOODベンチマークを用いて,時空間技術モデルについて検討する。 これらのモデルのパフォーマンスが著しく低下していることが分かりました。 そこで我々は,学習中にグラフ生成器の集合を学習し,それらを組み合わせて新しいグラフを生成するMixture Expertsフレームワークを提案する。 我々の手法は相似的かつ有効であり、任意の時間モデルにシームレスに統合できる。
  論文  参考訳（メタデータ） (2024-10-01T03:49:29Z)
• GLAD: Improving Latent Graph Generative Modeling with Simple Quantization [44.86731507203063]
  本稿では,単純かつ効果的な離散潜在グラフ拡散生成モデルを提案する。 我々のモデル、すなわちGLADは、既存の潜伏アプローチの欠点を克服するだけでなく、グラフ空間に適用される拡散法に固有の問題を緩和する。 分子ベンチマークデータセット上で生成モデルを検証し、最先端のベースラインと比較して競合性能を示す。
  論文  参考訳（メタデータ） (2024-03-25T15:53:32Z)
• 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)
• Learning to Sample and Aggregate: Few-shot Reasoning over Temporal Knowledge Graphs [13.230166885504202]
  本稿では,時間的知識グラフ推論という,現実的だが未探索な問題について考察する。 進化するグラフにおける極めて限定的な観測に基づいて、新しい実体の将来の事実を予測することを目的としている。 本稿ではメタ時間知識グラフ推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-16T22:40:33Z)
• 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)
• Temporal Knowledge Graph Reasoning with Low-rank and Model-agnostic Representations [1.8262547855491458]
  低ランクテンソル分解モデル LowFER のパラメータ効率および時間認識拡張系である Time-LowFER を導入する。 時間を表現するための現在のアプローチのいくつかの制限に留意し、時間特徴に対するサイクル対応の時間符号化方式を提案する。 我々は,時間に敏感なデータ処理に着目した統合時間知識グラフ埋め込みフレームワークに本手法を実装した。
  論文  参考訳（メタデータ） (2022-04-10T22:24:11Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Exploring the Limits of Few-Shot Link Prediction in Knowledge Graphs [49.6661602019124]
  数発のリンク予測を行うため,本手法の現況を一般化したモデルスペクトルについて検討する。 単純なゼロショットベースライン – 関係性固有の情報を無視する – が驚くほど高いパフォーマンスを実現しているのが分かります。 慎重に構築された合成データセットの実験では、関係の例がいくつかあるだけで、モデルがきめ細かな構造情報を使用するのを基本的に制限することが示されている。
  論文  参考訳（メタデータ） (2021-02-05T21:04:31Z)
• Tucker decomposition-based Temporal Knowledge Graph Completion [35.56360622521721]
  次数4テンソルのタッカー分解にインスパイアされた時間知識グラフ補完のための新しいテンソル分解モデルを構築する。 提案モデルは完全に表現力のあるモデルであることが実証され、いくつかの公開ベンチマークに対して最先端の結果が報告される。
  論文  参考訳（メタデータ） (2020-11-16T07:05:52Z)
• From Static to Dynamic Node Embeddings [61.58641072424504]
  本稿では,時間的予測に基づくアプリケーションにグラフストリームデータを活用するための汎用フレームワークを提案する。 提案フレームワークは,適切なグラフ時系列表現を学習するための新しい手法を含む。 トップ3の時間モデルは常に新しい$epsilon$-graphの時系列表現を利用するモデルであることが分かりました。
  論文  参考訳（メタデータ） (2020-09-21T16:48:29Z)

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。