論文の概要: Temporal Knowledge Graph Reasoning with Historical Contrastive Learning

• arxiv url: http://arxiv.org/abs/2211.10904v1
• Date: Sun, 20 Nov 2022 08:32:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 18:18:18.968840
• Title: Temporal Knowledge Graph Reasoning with Historical Contrastive Learning
• Title（参考訳）: 時間的知識グラフと歴史的コントラスト学習
• Authors: Yi Xu, Junjie Ou, Hui Xu, Luoyi Fu
• Abstract要約: 我々はContrastive Event Network(CENET)と呼ばれる新しいイベント予測モデルを提案する。 CENETは、ヒストリと非ヒストリの両方の依存関係を学び、与えられたクエリに最もよくマッチする最も潜在的なエンティティを識別する。 推論プロセスの間、CENETは最終的な結果を生成するためにマスクベースの戦略を採用している。
• 参考スコア（独自算出の注目度）: 24.492458924487863
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Temporal knowledge graph, serving as an effective way to store and model dynamic relations, shows promising prospects in event forecasting. However, most temporal knowledge graph reasoning methods are highly dependent on the recurrence or periodicity of events, which brings challenges to inferring future events related to entities that lack historical interaction. In fact, the current moment is often the combined effect of a small part of historical information and those unobserved underlying factors. To this end, we propose a new event forecasting model called Contrastive Event Network (CENET), based on a novel training framework of historical contrastive learning. CENET learns both the historical and non-historical dependency to distinguish the most potential entities that can best match the given query. Simultaneously, it trains representations of queries to investigate whether the current moment depends more on historical or non-historical events by launching contrastive learning. The representations further help train a binary classifier whose output is a boolean mask to indicate related entities in the search space. During the inference process, CENET employs a mask-based strategy to generate the final results. We evaluate our proposed model on five benchmark graphs. The results demonstrate that CENET significantly outperforms all existing methods in most metrics, achieving at least $8.3\%$ relative improvement of Hits@1 over previous state-of-the-art baselines on event-based datasets.
• Abstract（参考訳）: 動的関係を格納しモデル化する効果的な方法として機能する時間的知識グラフは、イベント予測に有望な可能性を示している。 しかし、ほとんどの時間的知識グラフ推論手法は、事象の繰り返しや周期性に大きく依存しており、歴史的相互作用を欠いたエンティティに関連する将来の事象を推測することが困難となる。 実際、現在の瞬間は、歴史的情報の一部と観察されていない要因の複合効果であることが多い。 そこで本研究では,歴史コントラスト学習の新たな学習枠組みに基づいて,コントラストイベントネットワーク(cenet)と呼ばれる新しいイベント予測モデルを提案する。 cenetは、与えられたクエリに最もマッチする可能性のあるエンティティを識別するために、履歴と非履歴の依存関係の両方を学習する。 同時に、クエリの表現を訓練し、コントラスト学習を開始することによって、現在のモーメントが歴史的事象や非歴史的事象に依存するかどうかを調べる。 表現はさらに、出力がブールマスクであるバイナリ分類器を訓練し、検索空間内の関連エンティティを示すのに役立つ。 推論プロセスの間、cenetは最終的な結果を生成するためにマスクベースの戦略を用いる。 提案モデルを5つのベンチマークグラフで評価した。 その結果、CENETは、ほとんどのメトリクスにおいて既存のすべてのメソッドを著しく上回り、イベントベースのデータセットに対する過去の最先端ベースラインよりも少なくとも8.3\%$のHits@1の改善を達成した。

関連論文リスト

• DPCL-Diff: The Temporal Knowledge Graph Reasoning based on Graph Node Diffusion Model with Dual-Domain Periodic Contrastive Learning [3.645855411897217]
  二重領域周期性学習(DPCL-Diff)を用いたグラフノード拡散モデルを提案する。 GNDiffはノイズを疎結合なイベントに導入し、新しいイベントをシミュレートする。 DPCL-Diffは周期事象と非周期事象をポアンカー空間とユークリッド空間にマッピングし、それらの特徴を利用して類似の周期事象を効果的に区別する。
  論文  参考訳（メタデータ） (2024-11-03T08:30:29Z)
• Historically Relevant Event Structuring for Temporal Knowledge Graph Reasoning [5.510391547468202]
  時間的知識グラフ(TKG)推論は、タイムライン上に配布されたスナップショット内の履歴情報を通じてイベントを予測することに焦点を当てる。 textbfHistorally textbfRelevant textbfEvents textbfStructuring(mathsfHisRES$)に対する革新的なTKG推論手法を提案する。
  論文  参考訳（メタデータ） (2024-05-17T08:33:43Z)
• HIP Network: Historical Information Passing Network for Extrapolation Reasoning on Temporal Knowledge Graph [14.832067253514213]
  今後の出来事を予測するために,歴史情報伝達(HIP)ネットワークを提案する。 本手法では,関係表現の更新を考慮し,上記の次元に対応する3つのスコアリング関数を採用する。 5つのベンチマークデータセットの実験結果は、HIPネットワークの優位性を示している。
  論文  参考訳（メタデータ） (2024-02-19T11:50:30Z)
• 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)
• Logic and Commonsense-Guided Temporal Knowledge Graph Completion [9.868206060374991]
  時間的知識グラフ(TKG)は、時間を含むデータから派生した事象を記憶する。 本稿では,時系列やイベントの因果性を含む時間依存表現を協調的に学習するためのLCGE(Logic and Commonsense-Guided Embedding Model)を提案する。
  論文  参考訳（メタデータ） (2022-11-30T10:06:55Z)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)
• Networked Time Series Prediction with Incomplete Data [59.45358694862176]
  我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。 3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
  論文  参考訳（メタデータ） (2021-10-05T18:20:42Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。