論文の概要: A Temporal Knowledge Graph Completion Method Based on Balanced Timestamp Distribution

• arxiv url: http://arxiv.org/abs/2108.13024v1
• Date: Mon, 30 Aug 2021 07:27:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-31 14:46:02.500118
• Title: A Temporal Knowledge Graph Completion Method Based on Balanced Timestamp Distribution
• Title（参考訳）: 平衡タイムスタンプ分布に基づく時間的知識グラフ補完法
• Authors: Kangzheng Liu and Yuhong Zhang
• Abstract要約: 直接符号化時間情報フレームワークに基づく時間知識グラフ補完(KGC)手法を提案する。 実世界から抽出した時間知識グラフデータセットに関する多数の実験により,本手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 1.3071779090051663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Completion through the embedding representation of the knowledge graph (KGE) has been a research hotspot in recent years. Realistic knowledge graphs are mostly related to time, while most of the existing KGE algorithms ignore the time information. A few existing methods directly or indirectly encode the time information, ignoring the balance of timestamp distribution, which greatly limits the performance of temporal knowledge graph completion (KGC). In this paper, a temporal KGC method is proposed based on the direct encoding time information framework, and a given time slice is treated as the finest granularity for balanced timestamp distribution. A large number of experiments on temporal knowledge graph datasets extracted from the real world demonstrate the effectiveness of our method.
• Abstract（参考訳）: 知識グラフ(KGE)の埋め込み表現による完成は、近年研究ホットスポットとなっている。 現実的な知識グラフは主に時間に関連するが、既存のKGEアルゴリズムのほとんどは時間情報を無視している。 タイムスタンプ分布のバランスを無視し、時間的知識グラフ補完(KGC)の性能を大幅に制限する、直接的あるいは間接的に時間情報を符号化する手法がいくつか存在する。 本稿では,直接符号化時間情報枠組に基づいて時間kgc法を提案し,与えられた時間スライスを,バランスの取れたタイムスタンプ分布の最も細かい粒度として扱う。 本手法の有効性を実世界から抽出した時間知識グラフデータセットについて,数多くの実験を行った。

関連論文リスト

• PUMA: Efficient Continual Graph Learning for Node Classification with Graph Condensation [49.00940417190911]
  既存のグラフ表現学習モデルは、新しいグラフを学習する際に破滅的な問題に遭遇する。 本稿では,PUMA(PUdo-label guided Memory bAnkrogation)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T05:09:58Z)
• Temporal Smoothness Regularisers for Neural Link Predictors [8.975480841443272]
  TNTComplExのような単純な手法は、最先端の手法よりもはるかに正確な結果が得られることを示す。 また,2つの時間的リンク予測モデルに対する幅広い時間的平滑化正規化の影響についても検討した。
  論文  参考訳（メタデータ） (2023-09-16T16:52:49Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• FTM: A Frame-level Timeline Modeling Method for Temporal Graph Representation Learning [47.52733127616005]
  本稿では,短期的特徴と長期的特徴の両方を捉えるのに役立つフレームレベルタイムラインモデリング(FTM)手法を提案する。 我々の手法は、ほとんどの時間的GNNで簡単に組み立てることができる。
  論文  参考訳（メタデータ） (2023-02-23T06:53:16Z)
• A Simple Temporal Information Matching Mechanism for Entity Alignment Between Temporal Knowledge Graphs [18.451872649228196]
  本稿では,時間的情報マッチング機構を組み合わせた単純なグラフニューラルネットワーク(GNN)モデルを提案する。 また、TKGの時間情報を用いて、教師なしアライメント種子を生成する方法を提案する。
  論文  参考訳（メタデータ） (2022-09-20T12:27:34Z)
• 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)
• 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)
• One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
  時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。 提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。 実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
  論文  参考訳（メタデータ） (2020-10-23T03:24:44Z)
• 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)
• Time-aware Graph Embedding: A temporal smoothness and task-oriented approach [9.669206664225234]
  本稿では,時間的滑らかさを取り入れたロバストな時間認識グラフ埋め込み(RTGE)手法を提案する。 まず、RTGEは時間認識グラフ埋め込みの学習過程における時間的滑らかさの尺度を統合する。 第2に、RTGEは時間的情報に関連する一般的なタスク指向のネガティブサンプリング戦略を提供する。
  論文  参考訳（メタデータ） (2020-07-22T02:20:25Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。