論文の概要: MetaTKG: Learning Evolutionary Meta-Knowledge for Temporal Knowledge Graph Reasoning

• arxiv url: http://arxiv.org/abs/2302.00893v1
• Date: Thu, 2 Feb 2023 05:55:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-03 15:15:42.776330
• Title: MetaTKG: Learning Evolutionary Meta-Knowledge for Temporal Knowledge Graph Reasoning
• Title（参考訳）: MetaTKG: 時間知識グラフ推論のための進化的メタ知識の学習
• Authors: Yuwei Xia, Mengqi Zhang, Qiang Liu, Shu Wu, Xiao-Yu Zhang
• Abstract要約: 本稿では,TKG推論のための時間的メタラーニングフレームワークMetaTKGを提案する。 具体的には、TKG予測を多くの時間的メタタスクとみなし、設計した時間的メタラーナーを用いて、これらのメタタスクから進化的メタ知識を学習する。 提案手法は,学習したメタ知識によって,将来的なデータに迅速に適応し,ほとんど歴史情報を持たないエンティティに対処するために,バックボーンを指導することを目的としている。
• 参考スコア（独自算出の注目度）: 23.690981770829282
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reasoning over Temporal Knowledge Graphs (TKGs) aims to predict future facts based on given history. One of the key challenges for prediction is to learn the evolution of facts. Most existing works focus on exploring evolutionary information in history to obtain effective temporal embeddings for entities and relations, but they ignore the variation in evolution patterns of facts, which makes them struggle to adapt to future data with different evolution patterns. Moreover, new entities continue to emerge along with the evolution of facts over time. Since existing models highly rely on historical information to learn embeddings for entities, they perform poorly on such entities with little historical information. To tackle these issues, we propose a novel Temporal Meta-learning framework for TKG reasoning, MetaTKG for brevity. Specifically, our method regards TKG prediction as many temporal meta-tasks, and utilizes the designed Temporal Meta-learner to learn evolutionary meta-knowledge from these meta-tasks. The proposed method aims to guide the backbones to learn to adapt quickly to future data and deal with entities with little historical information by the learned meta-knowledge. Specially, in temporal meta-learner, we design a Gating Integration module to adaptively establish temporal correlations between meta-tasks. Extensive experiments on four widely-used datasets and three backbones demonstrate that our method can greatly improve the performance.
• Abstract（参考訳）: 時間的知識グラフ(TKG)に対する推論は、与えられた履歴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。 予測の重要な課題の1つは、事実の進化を学ぶことである。 既存のほとんどの研究は、実体と関係の効果的な時間的埋め込みを得るために、歴史における進化情報の探索に重点を置いているが、事実の進化パターンのバリエーションを無視しているため、異なる進化パターンで将来のデータに適応するのに苦労している。 さらに、新しい実体は時間とともに事実の進化と共に現れ続けている。 既存のモデルは、エンティティの埋め込みを学ぶために歴史情報に大きく依存しているため、歴史情報が少ないようなエンティティではうまく機能しない。 これらの課題に対処するために,TKG推論のための時間的メタラーニングフレームワークMetaTKGを提案する。 具体的には,tkg予測を多くの時間的メタタスクと捉え,設計した時間的メタリーナーを用いてこれらのメタタスクから進化的メタ知識を学習する。 提案手法は,将来のデータに迅速に適応できるようにバックボーンを誘導し,学習したメタ知識による履歴情報が少ないエンティティを扱うことを目的としている。 特に,時間的メタリーナーでは,メタタスク間の時間的相関を適応的に確立するゲーティング統合モジュールを設計する。 広範に使用されている4つのデータセットと3つのバックボーンに関する広範な実験は、この手法が性能を大幅に改善できることを示しています。

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)
• Transformer-based Reasoning for Learning Evolutionary Chain of Events on Temporal Knowledge Graph [22.427652636877774]
  時間的知識グラフ(TKG)の推論は、しばしばタイムラインに沿って行方不明の事実要素を補完する。 イベントの進化的連鎖(ECE)を学習するための新しいトランスフォーマーベースの推論モデル(ECEformerと呼ばれる)を提案する。 次に、多層パーセプトロン(MLP)に基づく混合コンテキスト推論モジュールを作成し、ECEのための四重項間の統一表現を学習する。
  論文  参考訳（メタデータ） (2024-05-01T07:12:16Z)
• Carpe Diem: On the Evaluation of World Knowledge in Lifelong Language Models [74.81091933317882]
  進化するウィキペディアデータベース上でのLMのトレーニングと評価を目的とした,時間的に進化する質問応答ベンチマークであるEvolvingQAを紹介する。 既存の継続的な学習ベースラインが、時代遅れの知識の更新と削除に悩まされていることを明らかにする。 本研究の目的は,実世界の情報の動的性質をモデル化することであり,言語モデルの進化適応性を忠実に評価することである。
  論文  参考訳（メタデータ） (2023-11-14T12:12:02Z)
• Learning to Sample and Aggregate: Few-shot Reasoning over Temporal Knowledge Graphs [13.230166885504202]
  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。
  論文  参考訳（メタデータ） (2022-10-16T22:40:33Z)
• Complex Evolutional Pattern Learning for Temporal Knowledge Graph Reasoning [60.94357727688448]
  TKG推論は、歴史的KG配列を考えると、将来の潜在的な事実を予測することを目的としている。 進化のパターンは、長さの多様性と時間変化の2つの側面において複雑である。 本稿では,CEN(Complex Evolutional Network)と呼ばれる新しいモデルを提案する。CNN(Convolutional Neural Network)を用いて,長さの異なる進化パターンを扱う。
  論文  参考訳（メタデータ） (2022-03-15T11:02:55Z)
• TimeTraveler: Reinforcement Learning for Temporal Knowledge Graph Forecasting [12.963769928056253]
  本稿では,予測のための最初の強化学習手法を提案する。具体的には,エージェントが過去の知識グラフのスナップショットを旅して回答を検索する。 提案手法は,タイムパン情報を取得するための相対時間符号化関数を定義し,ディリクレ分布に基づく新たな時間型報酬を設計し,モデル学習を指導する。 我々は,このリンク予測タスクを将来のタイムスタンプで評価する。
  論文  参考訳（メタデータ） (2021-09-09T08:41:01Z)
• Learning from History: Modeling Temporal Knowledge Graphs with Sequential Copy-Generation Networks [8.317441990017924]
  本稿では,新しいタイムアウェアコピー生成機構に基づく時間知識グラフ,すなわちCyGNetの表現学習モデルを提案する。 cygnetは、エンティティの語彙全体から将来の事実を予測できるだけでなく、繰り返しで事実を識別できるため、過去の既知の事実を参照して、そのような将来の事実を予測できる。
  論文  参考訳（メタデータ） (2020-12-15T18:38:03Z)
• Online Structured Meta-learning [137.48138166279313]
  現在のオンラインメタ学習アルゴリズムは、グローバルに共有されたメタラーナーを学ぶために限られている。 この制限を克服するオンライン構造化メタラーニング(OSML)フレームワークを提案する。 3つのデータセットの実験は、提案フレームワークの有効性と解釈可能性を示している。
  論文  参考訳（メタデータ） (2020-10-22T09:10:31Z)
• Meta-learning the Learning Trends Shared Across Tasks [123.10294801296926]
  グラディエントベースのメタ学習アルゴリズムは、限られたデータで新しいタスクに素早く適応する。 既存のメタ学習アプローチは、適応中の現在のタスク情報にのみ依存する。 パターン認識型メタラーニング手法を提案する。
  論文  参考訳（メタデータ） (2020-10-19T08:06:47Z)
• Automated Relational Meta-learning [95.02216511235191]
  本稿では,クロスタスク関係を自動的に抽出し,メタ知識グラフを構築する自動リレーショナルメタ学習フレームワークを提案する。 我々は,2次元玩具の回帰と少数ショット画像分類に関する広範な実験を行い,ARMLが最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-03T07:02:25Z)

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。