論文の概要: Logic and Commonsense-Guided Temporal Knowledge Graph Completion
- arxiv url: http://arxiv.org/abs/2211.16865v2
- Date: Mon, 15 May 2023 12:20:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-17 00:03:19.756778
- Title: Logic and Commonsense-Guided Temporal Knowledge Graph Completion
- Title（参考訳）: 論理とコモンセンスによる時間知識グラフの完成
- Authors: Guanglin Niu, Bo Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.868206060374991
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A temporal knowledge graph (TKG) stores the events derived from the data
involving time. Predicting events is extremely challenging due to the
time-sensitive property of events. Besides, the previous TKG completion (TKGC)
approaches cannot represent both the timeliness and the causality properties of
events, simultaneously. To address these challenges, we propose a Logic and
Commonsense-Guided Embedding model (LCGE) to jointly learn the time-sensitive
representation involving timeliness and causality of events, together with the
time-independent representation of events from the perspective of commonsense.
Specifically, we design a temporal rule learning algorithm to construct a
rule-guided predicate embedding regularization strategy for learning the
causality among events. Furthermore, we could accurately evaluate the
plausibility of events via auxiliary commonsense knowledge. The experimental
results of TKGC task illustrate the significant performance improvements of our
model compared with the existing approaches. More interestingly, our model is
able to provide the explainability of the predicted results in the view of
causal inference. The source code and datasets of this paper are available at
https://github.com/ngl567/LCGE.
- Abstract（参考訳）: 時間的知識グラフ(TKG)は、時間を含むデータに由来する事象を記憶する。
イベントの時間に敏感な性質のため、予測イベントは非常に難しい。
さらに、以前のTKG補完(TKGC)アプローチは、イベントの時系列と因果性の両方を同時に表現することはできない。
そこで本稿では,イベントの時系列表現と因果関係を,コモンセンスの観点から時間に依存しない表現と共同で学習する論理およびコモンセンス誘導埋め込みモデル(lcge)を提案する。
具体的には,事象間の因果関係を学習するための規則付き述語埋め込み正規化戦略を構築するために,時間規則学習アルゴリズムを設計する。
さらに, 補助コモンセンス知識を用いて, 事象の再現性を正確に評価した。
TKGCタスクの実験結果から,既存手法と比較して,モデルの性能が大幅に向上したことを示す。
さらに興味深いことに、我々のモデルは因果推論の観点から予測結果の説明可能性を提供することができる。
本論文のソースコードとデータセットはhttps://github.com/ngl567/LCGE.comで公開されている。
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) - Learning Granularity Representation for Temporal Knowledge Graph Completion [2.689675451882683]
時間的知識グラフ(TKG)は、実世界の事実の動的な構造的知識と進化的パターンを反映する時間的情報を含んでいる。
本稿では,TKG 補完のための textbfLearning textbfGranularity textbfRepresentation (termed $mathsfLGRe$) を提案する。
グラニュラリティ・ラーニング(GRL)とアダプティブグラニュラリティ・バランシング(AGB)の2つの主要コンポーネントから構成される。
論文 参考訳（メタデータ） (2024-08-27T08:19:34Z) - TEILP: Time Prediction over Knowledge Graphs via Logical Reasoning [14.480267340831542]
本稿では,時間的要素を知識グラフ予測に自然に統合する論理的推論フレームワークTEILPを提案する。
まず、TKGを時間的事象知識グラフ(TEKG)に変換する。
最後に、条件付き確率密度関数を導入し、クエリ間隔を含む論理規則に関連付けて、時間予測に着く。
論文 参考訳（メタデータ） (2023-12-25T21:54:56Z) - 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) - 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) - Temporal Knowledge Graph Reasoning with Historical Contrastive Learning [24.492458924487863]
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。
論文 参考訳（メタデータ） (2022-11-20T08:32:59Z) - 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) - Learning Temporal Rules from Noisy Timeseries Data [72.93572292157593]
我々は、ノイズのある時間的データ設定内で複合イベントにつながる基礎となる原子イベントとその関係を明らかにすることに注力する。
本稿では、まず原子イベント間の暗黙的な時間的関係を学習し、その後、制御のための論理規則を引き上げるニューラル時間論理プログラミング(Neural Temporal Logic Programming:Neural TLP)を提案する。
論文 参考訳（メタデータ） (2022-02-11T01:29:02Z) - Online Learning Probabilistic Event Calculus Theories in Answer Set
Programming [70.06301658267125]
イベント認識(CER)システムは、事前に定義されたイベントパターンを使用して、ストリーミングタイムスタンプデータセットで発生を検出する。
本稿では,複雑なイベントパターンによる確率論的推論を,イベント計算で重み付けされたルールの形で行うことができるAnswer Set Programming(ASP)に基づくシステムを提案する。
その結果, 効率と予測の両面で, 新たなアプローチの優位性が示された。
論文 参考訳（メタデータ） (2021-03-31T23:16:29Z) - Temporal Reasoning on Implicit Events from Distant Supervision [91.20159064951487]
本稿では,暗黙的事象の理解度を評価する新しい時間的推論データセットを提案する。
我々は、暗黙の出来事と明示的な出来事の間の時間的関係を予測する際に、最先端のモデルが苦労していることを発見した。
本稿では,大規模テキストからの遠隔監視信号を利用して終末時刻を推定する,ニューロシンボリックな時間的推論モデルSYMTIMEを提案する。
論文 参考訳（メタデータ） (2020-10-24T03:12:27Z)
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。