論文の概要: Complex Evolutional Pattern Learning for Temporal Knowledge Graph Reasoning

• arxiv url: http://arxiv.org/abs/2203.07782v1
• Date: Tue, 15 Mar 2022 11:02:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-16 14:54:18.689093
• Title: Complex Evolutional Pattern Learning for Temporal Knowledge Graph Reasoning
• Title（参考訳）: 時間的知識グラフ推論のための複雑な進化パターン学習
• Authors: Zixuan Li, Saiping Guan, Xiaolong Jin, Weihua Peng, Yajuan Lyu, Yong Zhu, Long Bai, Wei Li, Jiafeng Guo and Xueqi Cheng
• Abstract要約: TKG推論は、歴史的KG配列を考えると、将来の潜在的な事実を予測することを目的としている。 進化のパターンは、長さの多様性と時間変化の2つの側面において複雑である。 本稿では,CEN(Complex Evolutional Network)と呼ばれる新しいモデルを提案する。CNN(Convolutional Neural Network)を用いて,長さの異なる進化パターンを扱う。
• 参考スコア（独自算出の注目度）: 60.94357727688448
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A Temporal Knowledge Graph (TKG) is a sequence of KGs corresponding to different timestamps. TKG reasoning aims to predict potential facts in the future given the historical KG sequences. One key of this task is to mine and understand evolutional patterns of facts from these sequences. The evolutional patterns are complex in two aspects, length-diversity and time-variability. Existing models for TKG reasoning focus on modeling fact sequences of a fixed length, which cannot discover complex evolutional patterns that vary in length. Furthermore, these models are all trained offline, which cannot well adapt to the changes of evolutional patterns from then on. Thus, we propose a new model, called Complex Evolutional Network (CEN), which uses a length-aware Convolutional Neural Network (CNN) to handle evolutional patterns of different lengths via an easy-to-difficult curriculum learning strategy. Besides, we propose to learn the model under the online setting so that it can adapt to the changes of evolutional patterns over time. Extensive experiments demonstrate that CEN obtains substantial performance improvement under both the traditional offline and the proposed online settings.
• Abstract（参考訳）: 時間知識グラフ(TKG)は、異なるタイムスタンプに対応するKGの列である。 tkg推論は、歴史的kg系列から将来の潜在的な事実を予測することを目的としている。 このタスクの鍵は、これらのシーケンスから事実の進化パターンを掘り下げ、理解することである。 進化パターンは、長さの多様性と時間変化の2つの側面において複雑である。 既存のtkg推論のモデルは固定長のファクトシーケンスのモデル化に焦点を当てており、長さの異なる複雑な進化パターンを見つけることはできない。 さらに、これらのモデルはすべてオフラインでトレーニングされており、それ以降の進化パターンの変化にうまく適応できない。 そこで我々は,CEN(Complex Evolutional Network)と呼ばれる新しいモデルを提案し,CNN(Convolutional Neural Network)を用いて,異なる長さの進化パターンを扱う。 さらに、オンライン環境下でモデルを学習し、時間とともに進化するパターンの変化に対応することを提案する。 大規模な実験により、CENは従来のオフラインと提案されたオンライン設定の両方で大幅なパフォーマンス改善を達成している。

関連論文リスト

• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• Understanding Patterns of Deep Learning ModelEvolution in Network Architecture Search [0.8124699127636158]
  モデル構造の進化が正規化進化アルゴリズムによってどのように影響されるかを示す。 分散設定における進化的パターンの出現とキャッシュとスケジューリング改善の機会について述べる。
  論文  参考訳（メタデータ） (2023-09-22T02:12:47Z)
• An Evolution Kernel Method for Graph Classification through Heat Diffusion Dynamics [12.094047128690834]
  本研究では,各静的グラフを時間的グラフ列に変換する熱駆動方式を提案する。 このアプローチは、システムの進化的振る舞いを効果的に記述する。 実世界の構造グラフデータセットの分類問題にうまく応用されている。
  論文  参考訳（メタデータ） (2023-06-26T13:32:11Z)
• MetaTKG: Learning Evolutionary Meta-Knowledge for Temporal Knowledge Graph Reasoning [23.690981770829282]
  本稿では,TKG推論のための時間的メタラーニングフレームワークMetaTKGを提案する。 具体的には、TKG予測を多くの時間的メタタスクとみなし、設計した時間的メタラーナーを用いて、これらのメタタスクから進化的メタ知識を学習する。 提案手法は,学習したメタ知識によって,将来的なデータに迅速に適応し,ほとんど歴史情報を持たないエンティティに対処するために,バックボーンを指導することを目的としている。
  論文  参考訳（メタデータ） (2023-02-02T05:55:41Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Learning of Visual Relations: The Devil is in the Tails [59.737494875502215]
  視覚的関係学習は、物体群に関する共同推論の性質から、長期にわたる問題である。 本稿では,悪が天国にあるという別の仮説を探求する。 この仮説の下では、モデルをシンプルに保ちながら、長い尾の分布に対処する能力を向上させることで、より良い性能が得られる。
  論文  参考訳（メタデータ） (2021-08-22T08:59:35Z)
• Temporal Knowledge Graph Reasoning Based on Evolutional Representation Learning [59.004025528223025]
  将来の事実を予測する鍵は、歴史的事実を徹底的に理解することです。 TKGは実際には異なるタイムスタンプに対応するKGのシーケンスである。 グラフ畳み込みネットワーク(GCN)に基づく新しいリカレント進化ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-04-21T05:12:21Z)
• Learning Temporal Dynamics from Cycles in Narrated Video [85.89096034281694]
  時が経つにつれて世界がどのように変化するかをモデル化する学習問題に対する自己監督型ソリューションを提案します。 私たちのモデルは、前方および後方の時間を予測するためにモダリティに依存しない関数を学習します。 将来的な動作の予測や画像の時間的順序付けなど,様々なタスクに対して,学習されたダイナミクスモデルを適用する。
  論文  参考訳（メタデータ） (2021-01-07T02:41:32Z)
• Streaming Graph Neural Networks via Continual Learning [31.810308087441445]
  グラフニューラルネットワーク(GNN)は様々なアプリケーションで高いパフォーマンスを実現している。 本稿では,連続学習に基づくストリーミングGNNモデルを提案する。 モデルパラメータを効率的に更新し、モデル再トレーニングに匹敵する性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-09-23T06:52:30Z)

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。