論文の概要: Temporal Knowledge Graph Completion: A Survey

• arxiv url: http://arxiv.org/abs/2201.08236v1
• Date: Sun, 16 Jan 2022 05:43:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-21 13:27:56.003472
• Title: Temporal Knowledge Graph Completion: A Survey
• Title（参考訳）: 時間的知識グラフの完成:調査
• Authors: Borui Cai, Yong Xiang, Longxiang Gao, He Zhang, Yunfeng Li, Jianxin Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 24.35073672695095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph completion (KGC) can predict missing links and is crucial for real-world knowledge graphs, which widely suffer from incompleteness. KGC methods assume a knowledge graph is static, but that may lead to inaccurate prediction results because many facts in the knowledge graphs change over time. Recently, emerging methods have shown improved predictive results by further incorporating the timestamps of facts; namely, temporal knowledge graph completion (TKGC). With this temporal information, TKGC methods can learn the dynamic evolution of the knowledge graph that KGC methods fail to capture. In this paper, for the first time, we summarize the recent advances in TKGC research. First, we detail the background of TKGC, including the problem definition, benchmark datasets, and evaluation metrics. Then, we summarize existing TKGC methods based on how timestamps of facts are used to capture the temporal dynamics. Finally, we conclude the paper and present future research directions of TKGC.
• Abstract（参考訳）: 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重要である。 KGC法は知識グラフが静的であると仮定するが、知識グラフの多くの事実が時間とともに変化するため、不正確な予測結果につながる可能性がある。 近年,事象のタイムスタンプ,すなわち時間知識グラフ補完(TKGC)を更に取り入れることで,予測結果が改善されている。 この時間的情報により、TKGC法は、KGC法が捕捉できない知識グラフの動的進化を学習することができる。 本稿では,TKGC研究の最近の進歩を初めて要約する。 まず、問題定義、ベンチマークデータセット、評価指標を含むTKGCの背景について詳述する。 次に,時間的ダイナミクスを捉えるために,事象のタイムスタンプがどのように使われるかに基づいて,既存のtkgc手法を要約する。 最後に,TKGCの論文と今後の研究方向性について述べる。

関連論文リスト

• GC-Bench: An Open and Unified Benchmark for Graph Condensation [54.70801435138878]
  我々は,グラフ凝縮の性能を解析するための総合的なグラフ凝縮ベンチマーク (GC-Bench) を開発した。 GC-Benchは、グラフ凝縮の特徴を以下の次元で体系的に研究している。 我々は,再現性のある研究を容易にするために,異なるGC手法を訓練し,評価するための簡易ライブラリを開発した。
  論文  参考訳（メタデータ） (2024-06-30T07:47:34Z)
• History repeats Itself: A Baseline for Temporal Knowledge Graph Forecasting [10.396081172890025]
  時間的知識グラフ (TKG) 予測は、知識グラフの歴史に基づいた将来の時間ステップのための知識グラフのリンクを予測することを目的としている。 本稿では,繰り返し発生する事象を予測したTKG予測のための直感的なベースラインを設計することを提案する。
  論文  参考訳（メタデータ） (2024-04-25T16:39:32Z)
• Counterfactual Reasoning with Knowledge Graph Embeddings [3.6311338398148534]
  知識グラフ埋め込み (KGEs) は、本来は事実を推測するために開発されたが、未完成の知識リポジトリに欠けている事実を推測するために開発された。 本稿では,知識グラフの補完と,新たなタスクCFKGRによる反実的推論をリンクする。
  論文  参考訳（メタデータ） (2024-03-11T17:21:39Z)
• Continual Learning on Graphs: Challenges, Solutions, and Opportunities [72.7886669278433]
  本稿では,既存の連続グラフ学習(CGL)アルゴリズムの総合的なレビューを行う。 従来の連続学習手法と比較し,従来の連続学習手法の適用性を分析した。 アクセス可能なアルゴリズムの包括的なリストを含む、最新のリポジトリを維持します。
  論文  参考訳（メタデータ） (2024-02-18T12:24:45Z)
• 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)
• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。 グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
  論文  参考訳（メタデータ） (2023-09-24T10:10:21Z)
• 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)
• 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 using Box Embeddings [13.858051019755283]
  BoxTEは、時間的知識グラフ補完のためのボックス埋め込みモデルである。 BoxTEは完全に表現力があり,時間的条件下では強い誘導能力を有することを示す。 次に,本モデルの有効性を実証的に評価し,いくつかのTKGCベンチマークで最先端の結果が得られたことを示す。
  論文  参考訳（メタデータ） (2021-09-18T17:12:13Z)
• A Temporal Knowledge Graph Completion Method Based on Balanced Timestamp Distribution [1.3071779090051663]
  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。
  論文  参考訳（メタデータ） (2021-08-30T07:27:19Z)

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。