論文の概要: Meta-Learning Based Knowledge Extrapolation for Temporal Knowledge Graph

• arxiv url: http://arxiv.org/abs/2302.05640v1
• Date: Sat, 11 Feb 2023 09:52:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-14 19:19:29.478301
• Title: Meta-Learning Based Knowledge Extrapolation for Temporal Knowledge Graph
• Title（参考訳）: 時間知識グラフのためのメタラーニングに基づく知識外挿
• Authors: Zhongwu Chen and Chengjin Xu and Fenglong Su and Zhen Huang and You Dou
• Abstract要約: 時間的KG(TKG)は、静的トリプルとタイムスタンプを関連付けることで従来の知識グラフを拡張する。 本稿では,メタラーニングに基づく時間知識グラフ外挿法(MTKGE)モデルを提案する。 MTKGEは知識グラフ外挿法において既存の最先端モデルよりも一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 4.103806361930888
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the last few years, the solution to Knowledge Graph (KG) completion via learning embeddings of entities and relations has attracted a surge of interest. Temporal KGs(TKGs) extend traditional Knowledge Graphs (KGs) by associating static triples with timestamps forming quadruples. Different from KGs and TKGs in the transductive setting, constantly emerging entities and relations in incomplete TKGs create demand to predict missing facts with unseen components, which is the extrapolation setting. Traditional temporal knowledge graph embedding (TKGE) methods are limited in the extrapolation setting since they are trained within a fixed set of components. In this paper, we propose a Meta-Learning based Temporal Knowledge Graph Extrapolation (MTKGE) model, which is trained on link prediction tasks sampled from the existing TKGs and tested in the emerging TKGs with unseen entities and relations. Specifically, we meta-train a GNN framework that captures relative position patterns and temporal sequence patterns between relations. The learned embeddings of patterns can be transferred to embed unseen components. Experimental results on two different TKG extrapolation datasets show that MTKGE consistently outperforms both the existing state-of-the-art models for knowledge graph extrapolation and specifically adapted KGE and TKGE baselines.
• Abstract（参考訳）: ここ数年、エンティティや関係の埋め込みを学習することで知識グラフ(KG)を補完するソリューションが注目されている。 時間的KG(TKGs)は、静的トリプルとタイムスタンプを関連付けることで従来の知識グラフ(KGs)を拡張する。 トランスダクティブ・セッティングにおけるKGやTKGと異なり、不完全なTKGにおける常に出現する実体や関係は、未知のコンポーネントで行方不明な事実を予測する需要を生み出す。 従来の時間的知識グラフ埋め込み(TKGE)法は、固定されたコンポーネントセット内で訓練されるため、外挿条件で制限される。 本稿では,既存のtkgからサンプリングされたリンク予測タスクに基づいて学習し,未知の実体と関係を持つ新興tkgでテストを行うメタラーニング型時間知識グラフ外挿(mtkge)モデルを提案する。 具体的には、相対的な位置パターンと時間的シーケンスパターンを関連付けるGNNフレームワークをメタトレーニングする。 学習したパターンの埋め込みは、見えないコンポーネントを埋め込むために転送できる。 2つの異なるTKG外挿データセットの実験結果から、MTKGEは知識グラフ外挿のための既存の最先端モデルと、特に適応されたKGEとTKGEベースラインの両方を一貫して上回ります。

関連論文リスト

• zrLLM: Zero-Shot Relational Learning on Temporal Knowledge Graphs with Large Language Models [33.10218179341504]
  埋め込み型TKGF法において,大規模言語モデルを用いて関係表現を生成する。 本稿では,TKGFモデルが従来見つからなかった関係で事実を予測する上で,より優れた性能を実現する上で有効であることを示す。
  論文  参考訳（メタデータ） (2023-11-15T21:25:15Z)
• A Survey on Temporal Knowledge Graph Completion: Taxonomy, Progress, and Prospects [73.44022660932087]
  時間的特性は、かなりの量の知識で顕著に明らかである。 新たな知識の継続的な出現、構造化されていないデータから構造化された情報を抽出するアルゴリズムの弱点、ソースデータセットにおける情報の欠如を引用する。 TKGC(Temporal Knowledge Graph Completion)のタスクは、利用可能な情報に基づいて行方不明アイテムを予測することを目的として、注目を集めている。
  論文  参考訳（メタデータ） (2023-08-04T16:49:54Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• 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)
• Learning Meta Representations of One-shot Relations for Temporal Knowledge Graph Link Prediction [33.36701435886095]
  近年,静的知識グラフ(KG)のリレーショナル学習が注目されている。 TKGには豊富な時間情報が含まれており、モデリングには時間的推論技術が必要である。 これは、時間的文脈で少数のショットの関係を学ぶ上で大きな課題となる。
  論文  参考訳（メタデータ） (2022-05-21T15:17:52Z)
• Geometric Algebra based Embeddings for Staticand Temporal Knowledge Graph Completion [13.062516271299831]
  知識グラフ埋め込み(KGE)のための新しい幾何学的代数的埋め込み手法GeomEを提案する。 GeomEはいくつかの最先端KGEモデルを仮定し、多様な関係パターンをモデル化することができる。 時間的KGEに対してGeomEをTGeomEに拡張し、時間的KGの4階テンソル分解を行い、時間的表現学習のための新しい線形時間的正規化を考案する。
  論文  参考訳（メタデータ） (2022-02-18T22:52:46Z)
• Temporal Knowledge Graph Reasoning Based on Evolutional Representation Learning [59.004025528223025]
  将来の事実を予測する鍵は、歴史的事実を徹底的に理解することです。 TKGは実際には異なるタイムスタンプに対応するKGのシーケンスである。 グラフ畳み込みネットワーク(GCN)に基づく新しいリカレント進化ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-04-21T05:12:21Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
  本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。 二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。 理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
  論文  参考訳（メタデータ） (2021-01-25T13:31:29Z)
• TeRo: A Time-aware Knowledge Graph Embedding via Temporal Rotation [12.138550487430807]
  本稿では,TKG埋め込みの新しいアプローチであるTeRoについて述べる。 提案モデルでは,既存のKG埋め込みモデルとTKG埋め込みモデルの限界を克服する。 4つの異なるTKG実験の結果、TeRoはリンク予測のための既存の最先端モデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-10-02T14:35:27Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。