Fugu-MT 論文翻訳(概要): Temporal Smoothness Regularisers for Neural Link Predictors

論文の概要: Temporal Smoothness Regularisers for Neural Link Predictors

arxiv url: http://arxiv.org/abs/2309.09045v2
Date: Tue, 05 Nov 2024 15:26:50 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-06 14:56:14.010019
Title: Temporal Smoothness Regularisers for Neural Link Predictors
Title（参考訳）: ニューラルネットワーク予測器のための時空間平滑化正規化器
Authors: Manuel Dileo, Pasquale Minervini, Matteo Zignani, Sabrina Gaito,
Abstract要約: TNTComplExのような単純な手法は、最先端の手法よりもはるかに正確な結果が得られることを示す。また,2つの時間的リンク予測モデルに対する幅広い時間的平滑化正規化の影響についても検討した。
参考スコア（独自算出の注目度）: 8.975480841443272
License:
Abstract: Most algorithms for representation learning and link prediction on relational data are designed for static data. However, the data to which they are applied typically evolves over time, including online social networks or interactions between users and items in recommender systems. This is also the case for graph-structured knowledge bases -- knowledge graphs -- which contain facts that are valid only for specific points in time. In such contexts, it becomes crucial to correctly identify missing links at a precise time point, i.e. the temporal prediction link task. Recently, Lacroix et al. and Sadeghian et al. proposed a solution to the problem of link prediction for knowledge graphs under temporal constraints inspired by the canonical decomposition of 4-order tensors, where they regularise the representations of time steps by enforcing temporal smoothing, i.e. by learning similar transformation for adjacent timestamps. However, the impact of the choice of temporal regularisation terms is still poorly understood. In this work, we systematically analyse several choices of temporal smoothing regularisers using linear functions and recurrent architectures. In our experiments, we show that by carefully selecting the temporal smoothing regulariser and regularisation weight, a simple method like TNTComplEx can produce significantly more accurate results than state-of-the-art methods on three widely used temporal link prediction datasets. Furthermore, we evaluate the impact of a wide range of temporal smoothing regularisers on two state-of-the-art temporal link prediction models. Our work shows that simple tensor factorisation models can produce new state-of-the-art results using newly proposed temporal regularisers, highlighting a promising avenue for future research.
Abstract（参考訳）: リレーショナルデータ上での表現学習とリンク予測のためのほとんどのアルゴリズムは、静的データのために設計されている。しかし、それらが適用されるデータは、オンラインソーシャルネットワークやレコメンデーションシステムにおけるユーザとアイテム間のインタラクションなど、一般的に時間とともに進化する。これは、グラフ構造化された知識ベース -- 知識グラフ -- にも当てはまります。このような状況下では、正確な時点、すなわち時間予測リンクタスクにおいて、欠落したリンクを正確に識別することが重要となる。最近、Lacroix et al と Sadeghian et al は、4階テンソルの正準分解にインスパイアされた時間的制約の下での知識グラフのリンク予測の問題に対する解を提案した。しかし、時相正規化項の選択の影響はいまだ理解されていない。本研究では,線形関数と繰り返しアーキテクチャを用いて時間的スムーズな正規化器の選択を系統的に分析する。本研究では,時間的スムーズな正規化と正規化の重み付けを慎重に選択することにより,TNTComplExのような単純な手法は,3つの広く使用されている時間的リンク予測データセットの最先端手法よりもはるかに精度の高い結果が得られることを示す。さらに,2つの時間的リンク予測モデルに対する幅広い時間的平滑化正規化の影響を評価する。我々の研究は、新しい時間正規化器を用いて、単純なテンソル分解モデルが新しい最先端の結果を生成できることを示し、将来的な研究の道筋を浮き彫りにしている。

関連論文リスト

Inference of Sequential Patterns for Neural Message Passing in Temporal Graphs [0.6562256987706128]
HYPA-DBGNNは、グラフ上の時系列データにおける異常なシーケンシャルパターンの推論を組み合わせた、新しい2段階のアプローチである。本手法は超幾何グラフアンサンブルを利用して1階グラフと高階グラフの両方において異常なエッジを同定する。我々の研究は、時間的および因果配列異常を利用した統計的に情報を得たGNNを初めて導入した。
論文参考訳（メタデータ） (2024-06-24T11:41:12Z)
From Link Prediction to Forecasting: Information Loss in Batch-based Temporal Graph Learning [0.716879432974126]
バッチ指向評価の適合性はデータセットの特性に依存することを示す。我々は、動的リンク予測をリンク予測タスクとして再構成し、データに存在する時間情報のより良い説明を行う。
論文参考訳（メタデータ） (2024-06-07T12:45:12Z)
TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。私たちのコードはGitHubで公開されます。
論文参考訳（メタデータ） (2023-01-05T22:10:16Z)
Direct Embedding of Temporal Network Edges via Time-Decayed Line Graphs [51.51417735550026]
時間的ネットワーク上での機械学習の方法は、一般的に2つの制限のうちの少なくとも1つを示す。ネットワークのライングラフは,各インタラクションのノードを含むもので,インタラクション間の時間差に基づいて,このグラフのエッジを重み付けする。実世界のネットワークにおける実験結果から,エッジ分類と時間リンク予測の両方において,本手法の有効性と有効性を示す。
論文参考訳（メタデータ） (2022-09-30T18:24:13Z)
Temporal Knowledge Graph Reasoning with Low-rank and Model-agnostic Representations [1.8262547855491458]
低ランクテンソル分解モデル LowFER のパラメータ効率および時間認識拡張系である Time-LowFER を導入する。時間を表現するための現在のアプローチのいくつかの制限に留意し、時間特徴に対するサイクル対応の時間符号化方式を提案する。我々は,時間に敏感なデータ処理に着目した統合時間知識グラフ埋め込みフレームワークに本手法を実装した。
論文参考訳（メタデータ） (2022-04-10T22:24:11Z)
TLogic: Temporal Logical Rules for Explainable Link Forecasting on Temporal Knowledge Graphs [13.085620598065747]
時間知識グラフでは、各エッジにタイムスタンプまたは時間範囲を設けて、時間情報をグラフに統合する。本稿では、時間的ランダムウォークによって抽出された時間的論理規則に基づく、説明可能なフレームワークであるTLogicを紹介する。
論文参考訳（メタデータ） (2021-12-15T10:46:35Z)
ChronoR: Rotation Based Temporal Knowledge Graph Embedding [8.039202293739185]
時間的知識グラフに対する推論の難解な問題について検討する。実体,関係,時間を表す表現を学習するための新しいモデルであるChronoR(ChronoR)を提案する。 chronorは、時間的知識グラフリンク予測のためのベンチマークデータセットの最先端メソッドの多くを上回ることができる。
論文参考訳（メタデータ） (2021-03-18T17:08:33Z)
One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
論文参考訳（メタデータ） (2020-10-23T03:24:44Z)
From Static to Dynamic Node Embeddings [61.58641072424504]
本稿では,時間的予測に基づくアプリケーションにグラフストリームデータを活用するための汎用フレームワークを提案する。提案フレームワークは,適切なグラフ時系列表現を学習するための新しい手法を含む。トップ3の時間モデルは常に新しい$epsilon$-graphの時系列表現を利用するモデルであることが分かりました。
論文参考訳（メタデータ） (2020-09-21T16:48:29Z)
Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文参考訳（メタデータ） (2020-06-20T03:29:02Z)
Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。