論文の概要: TLogic: Temporal Logical Rules for Explainable Link Forecasting on Temporal Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2112.08025v1
• Date: Wed, 15 Dec 2021 10:46:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-16 14:03:56.740762
• Title: TLogic: Temporal Logical Rules for Explainable Link Forecasting on Temporal Knowledge Graphs
• Title（参考訳）: tlogic:時間知識グラフを用いた説明可能なリンク予測のための時間論理規則
• Authors: Yushan Liu, Yunpu Ma, Marcel Hildebrandt, Mitchell Joblin, Volker Tresp
• Abstract要約: 時間知識グラフでは、各エッジにタイムスタンプまたは時間範囲を設けて、時間情報をグラフに統合する。 本稿では、時間的ランダムウォークによって抽出された時間的論理規則に基づく、説明可能なフレームワークであるTLogicを紹介する。
• 参考スコア（独自算出の注目度）: 13.085620598065747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional static knowledge graphs model entities in relational data as nodes, connected by edges of specific relation types. However, information and knowledge evolve continuously, and temporal dynamics emerge, which are expected to influence future situations. In temporal knowledge graphs, time information is integrated into the graph by equipping each edge with a timestamp or a time range. Embedding-based methods have been introduced for link prediction on temporal knowledge graphs, but they mostly lack explainability and comprehensible reasoning chains. Particularly, they are usually not designed to deal with link forecasting -- event prediction involving future timestamps. We address the task of link forecasting on temporal knowledge graphs and introduce TLogic, an explainable framework that is based on temporal logical rules extracted via temporal random walks. We compare TLogic with state-of-the-art baselines on three benchmark datasets and show better overall performance while our method also provides explanations that preserve time consistency. Furthermore, in contrast to most state-of-the-art embedding-based methods, TLogic works well in the inductive setting where already learned rules are transferred to related datasets with a common vocabulary.
• Abstract（参考訳）: 従来の静的知識グラフは、関係データのエンティティをノードとしてモデル化し、特定の関係型のエッジで接続する。 しかし、情報と知識は継続的に進化し、時間的ダイナミクスが現れ、それが将来の状況に影響を及ぼすことが期待される。 時間知識グラフでは、各エッジにタイムスタンプまたはタイムレンジを装備することにより、時間情報をグラフに統合する。 埋め込みに基づく手法は時間的知識グラフのリンク予測に導入されているが、説明可能性や理解可能な推論連鎖がほとんどない。 特に、リンク予測 -- 将来のタイムスタンプを含むイベント予測 -- を扱うように設計されていない。 本稿では、時間的知識グラフに基づくリンク予測の課題に対処し、時間的ランダムウォークによって抽出された時間的論理規則に基づく説明可能なフレームワークであるTLogicを紹介する。 3つのベンチマークデータセットでtlogicと最先端のベースラインを比較し,全体的なパフォーマンスを示すと同時に,時間的一貫性を保った説明も提供する。 さらに、ほとんどの最先端の埋め込み方式とは対照的に、TLogicは、学習済みのルールが共通の語彙を持つ関連するデータセットに転送される帰納的設定でうまく機能する。

関連論文リスト

• TILP: Differentiable Learning of Temporal Logical Rules on Knowledge Graphs [17.559644723196843]
  時間的論理規則学習のための差別化可能なフレームワークであるTILPを提案する。 本稿では、tKGにおける時間的特徴モデリング、例えば、再発、時間的秩序、一対の関係と期間の間隔、および学習過程に組み込んだ時間的特徴モデリングを提案する。 提案するフレームワークは,解釈可能な結果を提供しながら,ベースライン手法の性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-02-19T17:30:44Z)
• TEILP: Time Prediction over Knowledge Graphs via Logical Reasoning [14.480267340831542]
  本稿では,時間的要素を知識グラフ予測に自然に統合する論理的推論フレームワークTEILPを提案する。 まず、TKGを時間的事象知識グラフ(TEKG)に変換する。 最後に、条件付き確率密度関数を導入し、クエリ間隔を含む論理規則に関連付けて、時間予測に着く。
  論文  参考訳（メタデータ） (2023-12-25T21:54:56Z)
• Leveraging Pre-trained Language Models for Time Interval Prediction in Text-Enhanced Temporal Knowledge Graphs [1.4916971861796382]
  本稿では,テキスト強調時間知識グラフ補完のための事前学習言語モデル(PLM)のパワーを利用するTEMTという新しいフレームワークを提案する。 従来のアプローチとは異なり、TEMTは異なる時間ポイント間の依存関係を効果的にキャプチャし、目に見えないエンティティの予測を可能にする。
  論文  参考訳（メタデータ） (2023-09-28T11:43:49Z)
• 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)
• 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)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)
• 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 Contrastive Graph Learning for Video Action Recognition and Retrieval [83.56444443849679]
  本研究では,動画内の時間依存性を利用して,TCGL (temporal Contrastive Graph Learning) という新たな自己監督手法を提案する。 TCGLは、スニペット間およびスニペット内時間依存性を時間表現学習のための自己監督信号として共同で評価するハイブリッドグラフコントラスト学習戦略をルーツとしています。 実験結果は、大規模アクション認識およびビデオ検索ベンチマークにおける最先端の方法よりも、TCGLの優位性を示しています。
  論文  参考訳（メタデータ） (2021-01-04T08:11:39Z)
• 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)
• 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。