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
- 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) - Local-Global History-aware Contrastive Learning for Temporal Knowledge
Graph Reasoning [25.497749629866757]
時間的知識グラフのためのブルーローカル・ブルーグロバル履歴対応ブルーコントラストブルーLモデル(ブルーLogCL)を提案する。
最初の課題として、LogCLは、ローカルおよびグローバルな歴史的事実エンコーダに適用されるエンティティ対応の注意機構を提案する。
後者の問題のために、LogCLは4つの歴史的クエリコントラストパターンを設計し、モデルの堅牢性を効果的に改善した。
論文 参考訳(メタデータ) (2023-12-04T03:27:01Z) - Temporal Inductive Path Neural Network for Temporal Knowledge Graph
Reasoning [16.984588879938947]
時間的知識グラフ(TKG)の推論は、過去の出来事に基づいて将来の事実を予測することを目的としている。
既存のほとんどのアプローチでは、グラフ内のノードが知識表現において重要な役割を果たすため、エンティティモデリングに依存するTKGをモデル化する。
実体に依存しない視点で過去の情報をモデル化するTiPNN(Temporal Inductive Path Neural Network)を提案する。
論文 参考訳(メタデータ) (2023-09-06T17:37:40Z) - 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) - Continuous-time convolutions model of event sequences [53.36665135225617]
イベントシーケンスデータの巨大なサンプルは、eコマース、ヘルスケア、ファイナンスなど、さまざまなドメインで発生します。
利用可能なデータの量とクライアント毎のイベントシーケンスの長さは典型的には大きいため、長期的なモデリングが必要である。
時間内の事象の一様発生に適した連続畳み込みニューラルネットワークに基づくCOTIC法を提案する。
論文 参考訳(メタデータ) (2023-02-13T10:34:51Z) - 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) - 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。