論文の概要: Bending the Future: Autoregressive Modeling of Temporal Knowledge Graphs in Curvature-Variable Hyperbolic Spaces

• arxiv url: http://arxiv.org/abs/2209.05635v1
• Date: Mon, 12 Sep 2022 22:07:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-14 12:15:35.251204
• Title: Bending the Future: Autoregressive Modeling of Temporal Knowledge Graphs in Curvature-Variable Hyperbolic Spaces
• Title（参考訳）: 未来を曲げる:曲率可変双曲空間における時間知識グラフの自己回帰モデリング
• Authors: Jihoon Sohn, Mingyu Derek Ma, Muhao Chen
• Abstract要約: 時間的知識グラフ (TKG) は時間に基づく知識グラフの系列である。 我々は,異なるタイムスタンプにおける知識グラフを,共通の双曲空間にベクトルとして埋め込むことで符号化するHyperVCを提案する。 4つのベンチマークデータセットの実験では、特に階層レベルの高いデータセットにおいて、大幅な改善が示されている。
• 参考スコア（独自算出の注目度）: 20.854294983084223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently there is an increasing scholarly interest in time-varying knowledge graphs, or temporal knowledge graphs (TKG). Previous research suggests diverse approaches to TKG reasoning that uses historical information. However, less attention has been given to the hierarchies within such information at different timestamps. Given that TKG is a sequence of knowledge graphs based on time, the chronology in the sequence derives hierarchies between the graphs. Furthermore, each knowledge graph has its hierarchical level which may differ from one another. To address these hierarchical characteristics in TKG, we propose HyperVC, which utilizes hyperbolic space that better encodes the hierarchies than Euclidean space. The chronological hierarchies between knowledge graphs at different timestamps are represented by embedding the knowledge graphs as vectors in a common hyperbolic space. Additionally, diverse hierarchical levels of knowledge graphs are represented by adjusting the curvatures of hyperbolic embeddings of their entities and relations. Experiments on four benchmark datasets show substantial improvements, especially on the datasets with higher hierarchical levels.
• Abstract（参考訳）: 近年,時間変化知識グラフや時間的知識グラフ(TKG)に対する学術的関心が高まっている。 過去の研究では、歴史的情報を用いたTKG推論への多様なアプローチが示唆されている。 しかし、異なるタイムスタンプでそのような情報の階層化にはあまり注意が払われていない。 tkg が時間に基づく知識グラフの列であると仮定すると、時系列のクロノロジーはグラフ間の階層を導出する。 さらに、各知識グラフは階層レベルを持ち、互いに異なるかもしれない。 TKGのこれらの階層特性に対処するために、ユークリッド空間よりも階層を符号化する双曲空間を利用するHyperVCを提案する。 異なるタイムスタンプにおける知識グラフ間の時間的階層は、知識グラフを共通の双曲空間のベクトルとして埋め込むことによって表される。 さらに、知識グラフの多様な階層レベルは、それらの実体と関係の双曲的埋め込みの曲率を調整することで表される。 4つのベンチマークデータセットの実験では、特に階層レベルの高いデータセットにおいて、大幅な改善が示されている。

関連論文リスト

• HC-GLAD: Dual Hyperbolic Contrastive Learning for Unsupervised Graph-Level Anomaly Detection [32.607141662986635]
  非教師付きグラフレベル異常検出(HC-GLAD、略して)のための新しい双曲双曲双曲型コントラスト学習法を提案する。 高次ノード群情報を利用するために、事前に設計された金モチーフに基づいてハイパーグラフを構築し、その後、ハイパーグラフ畳み込みを行う。 実世界のグラフの階層性を維持するため、この領域に双曲幾何学を導入し、双曲型モデルを用いて双曲型空間におけるグラフと双曲型埋め込み学習を行う。
  論文  参考訳（メタデータ） (2024-07-02T08:38:32Z)
• TransformerG2G: Adaptive time-stepping for learning temporal graph embeddings using transformers [2.2120851074630177]
  本研究では,不確実な定量化を伴うグラフ埋め込みモデルであるTransformerG2Gを開発し,時間的グラフの時間的ダイナミクスを学習する。 提案したTransformerG2Gモデルが従来のマルチステップ法より優れていることを示す。 注意重みを調べることで、時間的依存関係を解明し、影響力のある要素を特定し、グラフ構造内の複雑な相互作用についての洞察を得ることができる。
  論文  参考訳（メタデータ） (2023-07-05T18:34:22Z)
• Time-aware Graph Structure Learning via Sequence Prediction on Temporal Graphs [10.034072706245544]
  時系列グラフのシーケンス予測による時間認識型グラフ構造学習(TGSL)手法を提案する。 特に、タイムアウェアなコンテキスト埋め込みを予測し、Gumble-Top-Kを使用して、このコンテキスト埋め込みに最も近い候補エッジを選択する。 時間リンク予測ベンチマークの実験は、TGSLがTGATやGraphMixerのような一般的なTGNに対して大きな利益をもたらすことを示した。
  論文  参考訳（メタデータ） (2023-06-13T11:34:36Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
  時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。 本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。 S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-02-15T06:36:04Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• 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)
• Time-aware Dynamic Graph Embedding for Asynchronous Structural Evolution [60.695162101159134]
  既存の作業は、動的グラフを変更のシーケンスとして見るだけである。 動的グラフを接合時間に付随する時間的エッジシーケンスとして定式化する。 頂点とエッジのタイムパン 組み込みにはタイムアウェアなTransformerが提案されている。 vertexの動的接続と学習へのToEs。 頂点表現
  論文  参考訳（メタデータ） (2022-07-01T15:32:56Z)
• 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)
• Hierarchical Graph Capsule Network [78.4325268572233]
  ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。 階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
  論文  参考訳（メタデータ） (2020-12-16T04:13:26Z)
• GraphGen: A Scalable Approach to Domain-agnostic Labeled Graph Generation [5.560715621814096]
  グラフ生成モデルは、データマイニングの文献で広く研究されている。 最近の技術は、データから直接この分布を学習する方向に移行している。 本研究では、これらの制限をすべて克服するために、GraphGenと呼ばれるドメインに依存しないテクニックを開発します。
  論文  参考訳（メタデータ） (2020-01-22T18:07:43Z)

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。