Fugu-MT 論文翻訳(概要): Learning to Sample and Aggregate: Few-shot Reasoning over Temporal Knowledge Graphs

論文の概要: Learning to Sample and Aggregate: Few-shot Reasoning over Temporal Knowledge Graphs

arxiv url: http://arxiv.org/abs/2210.08654v1
Date: Sun, 16 Oct 2022 22:40:33 GMT
ステータス: 処理完了
システム内更新日: 2022-10-18 15:55:35.746864
Title: Learning to Sample and Aggregate: Few-shot Reasoning over Temporal Knowledge Graphs
Title（参考訳）: サンプルと集約の学習: 時間的知識グラフを用いたFew-shot Reasoning
Authors: Ruijie Wang, Zheng Li, Dachun Sun, Shengzhong Liu, Jinning Li, Bing Yin, Tarek Abdelzaher
Abstract要約: 本稿では,時間的知識グラフ推論という,現実的だが未探索な問題について考察する。進化するグラフにおける極めて限定的な観測に基づいて、新しい実体の将来の事実を予測することを目的としている。本稿ではメタ時間知識グラフ推論フレームワークを提案する。
参考スコア（独自算出の注目度）: 13.230166885504202
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we investigate a realistic but underexplored problem, called few-shot temporal knowledge graph reasoning, that aims to predict future facts for newly emerging entities based on extremely limited observations in evolving graphs. It offers practical value in applications that need to derive instant new knowledge about new entities in temporal knowledge graphs (TKGs) with minimal supervision. The challenges mainly come from the few-shot and time shift properties of new entities. First, the limited observations associated with them are insufficient for training a model from scratch. Second, the potentially dynamic distributions from the initially observable facts to the future facts ask for explicitly modeling the evolving characteristics of new entities. We correspondingly propose a novel Meta Temporal Knowledge Graph Reasoning (MetaTKGR) framework. Unlike prior work that relies on rigid neighborhood aggregation schemes to enhance low-data entity representation, MetaTKGR dynamically adjusts the strategies of sampling and aggregating neighbors from recent facts for new entities, through temporally supervised signals on future facts as instant feedback. Besides, such a meta temporal reasoning procedure goes beyond existing meta-learning paradigms on static knowledge graphs that fail to handle temporal adaptation with large entity variance. We further provide a theoretical analysis and propose a temporal adaptation regularizer to stabilize the meta temporal reasoning over time. Empirically, extensive experiments on three real-world TKGs demonstrate the superiority of MetaTKGR over state-of-the-art baselines by a large margin.
Abstract（参考訳）: 本稿では,進化的グラフにおける極めて限定的な観測に基づいて,新たな実体の将来の事実を予測することを目的とした,数発の時間的知識グラフ推論と呼ばれる現実的で未探索な問題を考察する。時間的知識グラフ(TKG)における新しいエンティティに関する即時的な新しい知識を最小限の監督で導き出す必要があるアプリケーションにおいて、実用的な価値を提供する。課題は主に、新しいエンティティのマイナショットとタイムシフト特性から生じている。まず、それらに関連する限られた観測は、モデルをゼロからトレーニングするには不十分である。第二に、初期の観測可能な事実から将来の事実への潜在的動的分布は、新しいエンティティの進化的特性を明示的にモデル化する必要がある。本稿では,新しいメタ時間知識グラフ推論(metatkgr)フレームワークを提案する。低データエンティティ表現を強化するための厳密な近隣アグリゲーションスキームに依存する以前の作業とは異なり、MetaTKGRは、新しいエンティティの最近の事実から隣人をサンプリングし、集約する戦略を動的に調整する。さらに、このようなメタ時間的推論手順は、大きなエンティティ分散で時間的適応を処理できない静的知識グラフの既存のメタ学習パラダイムを超えている。さらに,理論解析を行い,時間とともに時間的推論を安定化する時間適応正則化器を提案する。経験的に、3つの現実世界のTKGに関する広範な実験は、MetaTKGRが最先端のベースラインよりも大きなマージンで優れていることを示した。

関連論文リスト

Large Language Models-guided Dynamic Adaptation for Temporal Knowledge Graph Reasoning [87.10396098919013]
大規模言語モデル (LLM) は、時間的推論において広範な知識と卓越した能力を示した。本稿では,時間的知識グラフに基づく推論のためのLarge Language Models-Guided Dynamic Adaptation (LLM-DA)法を提案する。 LLM-DAは、歴史的データを解析し、時間的論理規則を抽出するLLMの機能を利用する。
論文参考訳（メタデータ） (2024-05-23T04:54:37Z)
TempME: Towards the Explainability of Temporal Graph Neural Networks via Motif Discovery [15.573944320072284]
本稿では、時間グラフニューラルネットワーク(TGNN)の予測を導く最も重要な時間的モチーフを明らかにするTempMEを提案する。 TempMEは、最も相互作用に関連するモチーフを抽出し、含んでいる情報の量を最小化し、説明の空間性と簡潔性を維持する。実験では、TempMEの優位性が検証され、6つの実世界のデータセットで説明精度が最大8.21%向上し、現在のTGNNの平均精度が最大22.96%向上した。
論文参考訳（メタデータ） (2023-10-30T07:51:41Z)
EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
論文参考訳（メタデータ） (2023-03-22T06:35:08Z)
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)
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)
DyTed: Disentangled Representation Learning for Discrete-time Dynamic Graph [59.583555454424]
離散時間動的グラフ、すなわちDyTedのための新しいディペンタングル表現学習フレームワークを提案する。本研究では,時間不変の表現と時間変動の表現を効果的に識別する構造的コントラスト学習とともに,時間的クリップのコントラスト学習タスクを特別に設計する。
論文参考訳（メタデータ） (2022-10-19T14:34:12Z)
Inductive Knowledge Graph Reasoning for Multi-batch Emerging Entities [22.88552158340435]
既存のインダクティブな作業は、新しいエンティティがすべてバッチで1度現れていると仮定します。この研究は、複数のバッチに新しいエンティティが出現する、より現実的で困難な状況に飛び込んでいます。そこで我々は,新しい環境に適応するための,歩行に基づく帰納的推論モデルを提案する。
論文参考訳（メタデータ） (2022-08-22T14:59:19Z)
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)
Leveraging Static Models for Link Prediction in Temporal Knowledge Graphs [0.0]
我々は,時空間KGEにおいて,SpliMeが現在の最先端技術と競合するか,あるいは競争していることを示す。時間グラフ上で静的モデルの性能を評価するために現在使われている手順の問題点を明らかにする。
論文参考訳（メタデータ） (2021-06-29T10:15:17Z)
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)

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。