論文の概要: Learning Meta Representations of One-shot Relations for Temporal Knowledge Graph Link Prediction

• arxiv url: http://arxiv.org/abs/2205.10621v1
• Date: Sat, 21 May 2022 15:17:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 15:03:55.114990
• Title: Learning Meta Representations of One-shot Relations for Temporal Knowledge Graph Link Prediction
• Title（参考訳）: 時間的知識グラフリンク予測のためのワンショット関係の学習メタ表現
• Authors: Zifeng Ding, Bailan He, Yunpu Ma, Zhen Han, Volker Tresp
• Abstract要約: 近年,静的知識グラフ (KGs) のショット学習が注目されているが,時間的知識グラフ (TKGs) のショット学習はほとんど研究されていない。 本稿では,KGにおける数ショットのリレーショナル学習に関する以前の研究を再考し,既存の2つのTKG推論タスクを拡張した。 大規模ベンチマークデータセットを4つ提案し、TKGのワンショット関係を学習するためのTKG推論モデルを開発した。
• 参考スコア（独自算出の注目度）: 33.36701435886095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot relational learning for static knowledge graphs (KGs) has drawn greater interest in recent years, while few-shot learning for temporal knowledge graphs (TKGs) has hardly been studied. Compared to KGs, TKGs contain rich temporal information, thus requiring temporal reasoning techniques for modeling. This poses a greater challenge in learning few-shot relations in the temporal context. In this paper, we revisit the previous work related to few-shot relational learning in KGs and extend two existing TKG reasoning tasks, i.e., interpolated and extrapolated link prediction, to the one-shot setting. We propose four new large-scale benchmark datasets and develop a TKG reasoning model for learning one-shot relations in TKGs. Experimental results show that our model can achieve superior performance on all datasets in both interpolation and extrapolation tasks.
• Abstract（参考訳）: 近年,静的知識グラフ (KGs) のリレーショナル学習が注目されているが,時間的知識グラフ (TKGs) のリレーショナル学習はほとんど研究されていない。 KGと比較して、TKGは豊富な時間情報を含んでいるため、モデリングには時間的推論技術が必要である。 これは、時間的文脈で少数派関係を学ぶ上で大きな課題となる。 本稿では,KGにおける少数ショット関係学習に関する過去の研究を再考し,既存の2つのTKG推論タスク,すなわち補間および外挿リンク予測タスクをワンショット設定に拡張する。 4つの大規模ベンチマークデータセットを提案し,TKGのワンショット関係を学習するためのTKG推論モデルを開発した。 実験の結果,本モデルは補間処理と補間処理の両方において,すべてのデータセットにおいて優れた性能が得られることがわかった。

関連論文リスト

• Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
  I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。 帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。 本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。 第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
  論文  参考訳（メタデータ） (2024-08-03T13:37:40Z)
• zrLLM: Zero-Shot Relational Learning on Temporal Knowledge Graphs with Large Language Models [33.10218179341504]
  埋め込み型TKGF法において,大規模言語モデルを用いて関係表現を生成する。 本稿では,TKGFモデルが従来見つからなかった関係で事実を予測する上で,より優れた性能を実現する上で有効であることを示す。
  論文  参考訳（メタデータ） (2023-11-15T21:25:15Z)
• Meta-Learning Based Knowledge Extrapolation for Temporal Knowledge Graph [4.103806361930888]
  時間的KG(TKG)は、静的トリプルとタイムスタンプを関連付けることで従来の知識グラフを拡張する。 本稿では,メタラーニングに基づく時間知識グラフ外挿法(MTKGE)モデルを提案する。 MTKGEは知識グラフ外挿法において既存の最先端モデルよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T09:52:26Z)
• 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)
• Few-Shot Inductive Learning on Temporal Knowledge Graphs using Concept-Aware Information [31.10140298420744]
  時間的知識グラフ(TKG)のための数発のアウト・オブ・グラフ(OOG)リンク予測タスクを提案する。 メタラーニングフレームワークを用いて、未知のエンティティに関するリンクから、欠落したエンティティを予測する。 我々のモデルは3つのデータセットすべてにおいて優れた性能を達成する。
  論文  参考訳（メタデータ） (2022-11-15T14:23:07Z)
• 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 Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Exploring the Limits of Few-Shot Link Prediction in Knowledge Graphs [49.6661602019124]
  数発のリンク予測を行うため,本手法の現況を一般化したモデルスペクトルについて検討する。 単純なゼロショットベースライン – 関係性固有の情報を無視する – が驚くほど高いパフォーマンスを実現しているのが分かります。 慎重に構築された合成データセットの実験では、関係の例がいくつかあるだけで、モデルがきめ細かな構造情報を使用するのを基本的に制限することが示されている。
  論文  参考訳（メタデータ） (2021-02-05T21:04:31Z)
• T-GAP: Learning to Walk across Time for Temporal Knowledge Graph Completion [13.209193437124881]
  時間的知識グラフ(TKG)は、静的知識グラフとは対照的に、本質的に現実世界の知識の過渡的な性質を反映している。 エンコーダとデコーダにおける時間情報とグラフ構造の両方を最大限に活用するTKG補完の新しいモデルであるT-GAPを提案する。 本実験は、T-GAPが最先端のベースラインに対する優れた性能を達成し、目に見えないタイムスタンプによるクエリに有能に一般化することを示す。
  論文  参考訳（メタデータ） (2020-12-19T04:45:32Z)
• 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)
• 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。