論文の概要: RotateQVS: Representing Temporal Information as Rotations in Quaternion
Vector Space for Temporal Knowledge Graph Completion
- arxiv url: http://arxiv.org/abs/2203.07993v2
- Date: Thu, 17 Mar 2022 03:31:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-18 10:43:47.516989
- Title: RotateQVS: Representing Temporal Information as Rotations in Quaternion
Vector Space for Temporal Knowledge Graph Completion
- Title（参考訳）: RotateQVS: 時間知識グラフ補完のための四元ベクトル空間の回転としてテンポラル情報を表現する
- Authors: Kai Chen, Ye Wang, Yitong Li and Aiping Li
- Abstract要約: 本研究では,時間的実体を四元ベクトル空間(RotateQVS)の回転として表現し,ハミルトン四元ベクトル空間における複素ベクトルとしての関係性を示す新しい時間的モデリング手法を提案する。
提案手法は,4つの時間的知識グラフベンチマーク上でリンク予測タスクの性能を向上させることができる。
- 参考スコア（独自算出の注目度）: 21.587197001067043
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Temporal factors are tied to the growth of facts in realistic applications,
such as the progress of diseases and the development of political situation,
therefore, research on Temporal Knowledge Graph (TKG) attracks much attention.
In TKG, relation patterns inherent with temporality are required to be studied
for representation learning and reasoning across temporal facts. However,
existing methods can hardly model temporal relation patterns, nor can capture
the intrinsic connections between relations when evolving over time, lacking of
interpretability. In this paper, we propose a novel temporal modeling method
which represents temporal entities as Rotations in Quaternion Vector Space
(RotateQVS) and relations as complex vectors in Hamilton's quaternion space. We
demonstrate our method can model key patterns of relations in TKG, such as
symmetry, asymmetry, inverse, and can further capture time-evolved relations by
theory. Empirically, we show that our method can boost the performance of link
prediction tasks over four temporal knowledge graph benchmarks.
- Abstract（参考訳）: 時間的要因は、病気の進展や政治状況の発達など、現実的な応用における事実の成長と結びついており、時間的知識グラフ(TKG)の研究は、多くの注目を集めている。
TKGでは、時間性に固有の関係パターンを、時間的事実を横断する表現学習と推論のために研究する必要がある。
しかし,既存の手法では時間的関係パターンをモデル化することは困難であり,解釈可能性に欠けるため,時間とともに進化する関係の内在的な関係を捉えることはできない。
本稿では,四元数ベクトル空間 (rotateqvs) における回転とハミルトン四元数空間における複素ベクトルの関係を表す新しい時空間モデリング手法を提案する。
提案手法は, 対称性, 非対称性, 逆数などのTKGにおける重要な関係パターンをモデル化し, 時間発展関係を理論的に捉えることができる。
提案手法は,4つの時間的知識グラフベンチマーク上でリンク予測タスクの性能を向上させることができることを示す。
関連論文リスト
- TPP-Gaze: Modelling Gaze Dynamics in Space and Time with Neural Temporal Point Processes [63.95928298690001]
ニューラル・テンポラル・ポイント・プロセス(TPP)に基づく新規かつ原則化されたスキャンパスダイナミクスのアプローチであるTPP-Gazeを提案する。
提案手法は,最先端手法と比較して総合的に優れた性能を示す。
論文 参考訳（メタデータ） (2024-10-30T19:22:38Z) - Temporal Knowledge Graph Completion with Time-sensitive Relations in
Hypercomplex Space [20.235189945656927]
時間的知識グラフ補完(TKGC)は、特定の時間における時間的知識グラフ内の行方不明事実を埋めることを目的としている。
本稿では,超複素空間内のTKGCに対して,より表現力の高い四元数表現を導入することで,従来のアプローチを超えて前進する。
論文 参考訳（メタデータ） (2024-03-02T16:50:48Z) - Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。
本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。
RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
論文 参考訳（メタデータ） (2023-09-20T08:11:58Z) - Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。
従来の手法は手作りの機能と機械学習技術に依存している。
HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
論文 参考訳（メタデータ） (2023-08-02T12:04:28Z) - Intensity Profile Projection: A Framework for Continuous-Time
Representation Learning for Dynamic Networks [50.2033914945157]
本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。
このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。
さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
論文 参考訳（メタデータ） (2023-06-09T15:38:25Z) - From Temporal to Contemporaneous Iterative Causal Discovery in the
Presence of Latent Confounders [6.365889364810238]
本稿では,観測時系列データから因果構造を学習するための制約に基づくアルゴリズムを提案する。
我々は、時間的・同時的な因果関係を持つ離散的、定常的な構造的ベクトル自己回帰過程を仮定する。
提案アルゴリズムは、時間的長期関係を短時間で学習することで、因果グラフを徐々に洗練し、同時期関係を最後に学習する。
論文 参考訳（メタデータ） (2023-06-01T12:46:06Z) - 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 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) - ChronoR: Rotation Based Temporal Knowledge Graph Embedding [8.039202293739185]
時間的知識グラフに対する推論の難解な問題について検討する。
実体,関係,時間を表す表現を学習するための新しいモデルであるChronoR(ChronoR)を提案する。
chronorは、時間的知識グラフリンク予測のためのベンチマークデータセットの最先端メソッドの多くを上回ることができる。
論文 参考訳（メタデータ） (2021-03-18T17:08:33Z) - TeRo: A Time-aware Knowledge Graph Embedding via Temporal Rotation [12.138550487430807]
本稿では,TKG埋め込みの新しいアプローチであるTeRoについて述べる。
提案モデルでは,既存のKG埋め込みモデルとTKG埋め込みモデルの限界を克服する。
4つの異なるTKG実験の結果、TeRoはリンク予測のための既存の最先端モデルよりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-10-02T14:35:27Z)
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。