論文の概要: Adaptive Pseudo-Siamese Policy Network for Temporal Knowledge Prediction
- arxiv url: http://arxiv.org/abs/2204.12036v1
- Date: Tue, 26 Apr 2022 02:17:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-27 23:50:02.243482
- Title: Adaptive Pseudo-Siamese Policy Network for Temporal Knowledge Prediction
- Title（参考訳）: 時間的知識予測のための適応擬似シームズポリシーネットワーク
- Authors: Pengpeng Shao, Tong Liu, Feihu Che, Dawei Zhang, Jianhua Tao
- Abstract要約: 強化学習に基づく時間的知識予測のための適応型擬似スキームポリシーネットワークを提案する。
サブ政治ネットワークIでは、エージェントは、エンティティ-リレーションパスに沿ってクエリの回答を検索し、静的な進化パターンをキャプチャする。
サブ政治ネットワークIIでは、エージェントは、未知のエンティティを扱うために、関係時間パスに沿ってクエリの回答を検索する。
- 参考スコア（独自算出の注目度）: 37.36680021388575
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Temporal knowledge prediction is a crucial task for the event early warning
that has gained increasing attention in recent years, which aims to predict the
future facts by using relevant historical facts on the temporal knowledge
graphs. There are two main difficulties in this prediction task. First, from
the historical facts point of view, how to model the evolutionary patterns of
the facts to predict the query accurately. Second, from the query perspective,
how to handle the two cases where the query contains seen and unseen entities
in a unified framework. Driven by the two problems, we propose a novel adaptive
pseudo-siamese policy network for temporal knowledge prediction based on
reinforcement learning. Specifically, we design the policy network in our model
as a pseudo-siamese policy network that consists of two sub-policy networks. In
sub-policy network I, the agent searches for the answer for the query along the
entity-relation paths to capture the static evolutionary patterns. And in
sub-policy network II, the agent searches for the answer for the query along
the relation-time paths to deal with unseen entities. Moreover, we develop a
temporal relation encoder to capture the temporal evolutionary patterns.
Finally, we design a gating mechanism to adaptively integrate the results of
the two sub-policy networks to help the agent focus on the destination answer.
To assess our model performance, we conduct link prediction on four benchmark
datasets, the experimental results demonstrate that our method obtains
considerable performance compared with existing methods.
- Abstract（参考訳）: 時間的知識予測は、時間的知識グラフ上の関連する歴史的事実を用いて将来の事実を予測することを目的として、近年注目を集めているイベント早期警告にとって重要な課題である。
この予測には2つの大きな困難がある。
まず、歴史的事実の観点から、事実の進化パターンをモデル化してクエリを正確に予測する方法を考察する。
第二に、クエリの観点からは、クエリが含んでいる2つのケースと、統一されたフレームワークで見えないエンティティを扱う方法です。
この2つの問題により,強化学習に基づく時間的知識予測のための適応型擬似テーマポリシーネットワークを提案する。
具体的には,2つのサブポリシーネットワークからなる疑似シム政策ネットワークとして,政策ネットワークをモデルとして設計する。
サブポリシーネットワークiでは、エージェントがエンティティ-リレーショナルパスに沿ってクエリの答えを検索し、静的進化パターンをキャプチャする。
そして、サブ政治ネットワークIIでは、エージェントは、未知のエンティティを扱うための関係時間パスに沿って、クエリの回答を検索する。
さらに、時間的進化パターンをキャプチャする時間的関係エンコーダを開発する。
最後に、2つのサブポリシーネットワークの結果を適応的に統合し、エージェントが目的地の回答に集中できるようにゲーティング機構を設計する。
モデル性能を評価するために,4つのベンチマークデータセットでリンク予測を行い,本手法が既存の手法と比較してかなりの性能が得られることを示す。
関連論文リスト
- Contrastive Representation Learning for Dynamic Link Prediction in Temporal Networks [1.9389881806157312]
本稿では,時間ネットワークの表現を学習するための自己教師付き手法を提案する。
本稿では、時間的ネットワークの時間的参照経路を介して情報の流れをモデル化するための、繰り返しメッセージパッシングニューラルネットワークアーキテクチャを提案する。
提案手法は、Enron、COLAB、Facebookのデータセットでテストされる。
論文 参考訳（メタデータ） (2024-08-22T22:50:46Z) - Temporal Link Prediction Using Graph Embedding Dynamics [0.0]
動的ネットワークにおける時間的リンク予測は、複雑な科学的および現実世界の問題を解く可能性から特に関心がある。
時間的リンク予測への伝統的なアプローチは、ネットワークのダイナミックスの集約を統一的な出力として見つけることに集中してきた。
本稿では,ノードをニュートンオブジェクトとして定義し,ネットワークダイナミクスの予測に速度の概念を取り入れることで,時間的リンク予測の新しい視点を提案する。
論文 参考訳（メタデータ） (2024-01-15T07:35:29Z) - Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
得られた知識を有向非巡回因果グラフの形で公開することを提案する。
また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。
提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
論文 参考訳（メタデータ） (2023-09-30T20:59:42Z) - Exploring the Limits of Historical Information for Temporal Knowledge
Graph Extrapolation [59.417443739208146]
本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。
CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。
提案したモデルを5つのベンチマークグラフで評価する。
論文 参考訳（メタデータ） (2023-08-29T03:26:38Z) - MacFormer: Map-Agent Coupled Transformer for Real-time and Robust
Trajectory Prediction [26.231420111336565]
実時間およびロバストな軌道予測のためのMap-Agent Coupled Transformer (MacFormer)を提案する。
本フレームワークは,共用マップと参照抽出器という,慎重に設計された2つのモジュールを通じて,マップ制約をネットワークに明示的に組み込む。
我々はArgoverse 1 と Argoverse 2 と nuScenes の実世界のベンチマークに対するアプローチを評価し、いずれも最先端のパフォーマンスを達成した。
論文 参考訳（メタデータ） (2023-08-20T14:27:28Z) - Link Prediction with Contextualized Self-Supervision [63.25455976593081]
リンク予測は、ネットワーク内の2つのノード間のリンクの存在を推測することを目的としている。
従来のリンク予測アルゴリズムは、リンク空間、ノード属性ノイズ、ネットワークダイナミクスという3つの大きな課題によって妨げられている。
本稿では,リンク予測のための構造的コンテキスト予測を完全に活用する,コンテキスト適応型自己監視学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-25T03:12:32Z) - On a Bernoulli Autoregression Framework for Link Discovery and
Prediction [1.9290392443571387]
本稿では,自己回帰過程のベルヌーイ一般化に基づく二項列の動的予測フレームワークを提案する。
本稿では,さらに多くの補助的ネットワークを介し,付加的な情報を利用する新たな問題を提案する。
既存の作業とは対照的に、勾配に基づく推定アプローチは非常に効率的で、数百万のノードを持つネットワークにスケールすることができる。
論文 参考訳（メタデータ） (2020-07-23T05:58:22Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳（メタデータ） (2020-06-20T03:29:02Z) - Link Prediction for Temporally Consistent Networks [6.981204218036187]
リンク予測は、動的ネットワークにおける次の関係を推定する。
動的に進化するネットワークを表現するための隣接行列の使用は、異種、スパース、またはネットワーク形成から解析的に学習する能力を制限する。
時間的パラメータ化ネットワークモデルとして不均一な時間進化活動を表現する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-06-06T07:28:03Z) - Dynamic Inference: A New Approach Toward Efficient Video Action
Recognition [69.9658249941149]
ビデオにおけるアクション認識は近年大きな成功を収めているが、膨大な計算コストのために依然として難しい課題である。
本稿では,異なるビデオの識別可能性の変動を利用して,推論効率を向上させるための一般的な動的推論手法を提案する。
論文 参考訳（メタデータ） (2020-02-09T11:09:56Z)
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。