論文の概要: Conflict Detection for Temporal Knowledge Graphs:A Fast Constraint
Mining Algorithm and New Benchmarks
- arxiv url: http://arxiv.org/abs/2312.11053v1
- Date: Mon, 18 Dec 2023 09:35:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 20:27:45.609222
- Title: Conflict Detection for Temporal Knowledge Graphs:A Fast Constraint
Mining Algorithm and New Benchmarks
- Title（参考訳）: 時間的知識グラフの競合検出:高速制約マイニングアルゴリズムと新しいベンチマーク
- Authors: Jianhao Chen, Junyang Ren, Wentao Ding, Haoyuan Ouyang, Wei Hu,
Yuzhong Qu
- Abstract要約: パターンに基づく時間的制約マイニング手法PaTeConを提案する。
本稿では,この手法が高速な高速化を実現するためにどのように最適化できるかを示す。
また、WikidataとFreebaseに、コンフリクト検出のための2つの新しいベンチマークを構築するようアノテートしています。
- 参考スコア（独自算出の注目度）: 21.152721572830373
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Temporal facts, which are used to describe events that occur during specific
time periods, have become a topic of increased interest in the field of
knowledge graph (KG) research. In terms of quality management, the introduction
of time restrictions brings new challenges to maintaining the temporal
consistency of KGs. Previous studies rely on manually enumerated temporal
constraints to detect conflicts, which are labor-intensive and may have
granularity issues. To address this problem, we start from the common pattern
of temporal facts and propose a pattern-based temporal constraint mining
method, PaTeCon. Unlike previous studies, PaTeCon uses graph patterns and
statistical information relevant to the given KG to automatically generate
temporal constraints, without the need for human experts. In this paper, we
illustrate how this method can be optimized to achieve significant speed
improvement. We also annotate Wikidata and Freebase to build two new benchmarks
for conflict detection. Extensive experiments demonstrate that our
pattern-based automatic constraint mining approach is highly effective in
generating valuable temporal constraints.
- Abstract（参考訳）: 特定の期間に発生する事象を記述するために使用される時間的事実は、知識グラフ(KG)研究分野への関心の高まりのトピックとなっている。
品質管理の面では、時間制限の導入は、KGの時間的一貫性を維持する上で、新たな課題をもたらします。
従来の研究は、労働集約的で粒度の問題のある紛争を検出するために、手動で列挙された時間的制約に依存していた。
この問題に対処するために、時間的事実の共通パターンから始め、パターンに基づく時間的制約マイニング手法PaTeConを提案する。
従来の研究とは異なり、PaTeConは人間の専門家を必要とせずに、与えられたKGに関連するグラフパターンと統計情報を使って時間的制約を自動的に生成する。
本稿では,本手法の高速化を実現するための最適化について述べる。
また、WikidataとFreebaseに、コンフリクト検出のための2つの新しいベンチマークを構築しました。
広範な実験により,我々のパターンに基づく自動制約マイニング手法は,貴重な時間的制約の生成に非常に有効であることが示された。
関連論文リスト
- 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) - 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) - From Temporal to Contemporaneous Iterative Causal Discovery in the
Presence of Latent Confounders [6.365889364810238]
本稿では,観測時系列データから因果構造を学習するための制約に基づくアルゴリズムを提案する。
我々は、時間的・同時的な因果関係を持つ離散的、定常的な構造的ベクトル自己回帰過程を仮定する。
提案アルゴリズムは、時間的長期関係を短時間で学習することで、因果グラフを徐々に洗練し、同時期関係を最後に学習する。
論文 参考訳（メタデータ） (2023-06-01T12:46:06Z) - PaTeCon: A Pattern-Based Temporal Constraint Mining Method for Conflict
Detection on Knowledge Graphs [17.688897597288992]
パターンに基づく時間的制約マイニング手法PaTeConを提案する。
WikidataとFreebaseの2つの大規模データセット上でPaTeConを評価した。
論文 参考訳（メタデータ） (2023-04-18T14:28:35Z) - 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) - Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。
我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。
いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
論文 参考訳（メタデータ） (2022-10-27T19:45:12Z) - A Simple Temporal Information Matching Mechanism for Entity Alignment
Between Temporal Knowledge Graphs [18.451872649228196]
本稿では,時間的情報マッチング機構を組み合わせた単純なグラフニューラルネットワーク(GNN)モデルを提案する。
また、TKGの時間情報を用いて、教師なしアライメント種子を生成する方法を提案する。
論文 参考訳（メタデータ） (2022-09-20T12:27:34Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-06T08:48:02Z) - Exploring the Limits of Few-Shot Link Prediction in Knowledge Graphs [49.6661602019124]
数発のリンク予測を行うため,本手法の現況を一般化したモデルスペクトルについて検討する。
単純なゼロショットベースライン – 関係性固有の情報を無視する – が驚くほど高いパフォーマンスを実現しているのが分かります。
慎重に構築された合成データセットの実験では、関係の例がいくつかあるだけで、モデルがきめ細かな構造情報を使用するのを基本的に制限することが示されている。
論文 参考訳（メタデータ） (2021-02-05T21:04:31Z) - 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) - TeMP: Temporal Message Passing for Temporal Knowledge Graph Completion [45.588053447288566]
時間的知識グラフ(TKGs)に欠落した事実を推測することは、基本的で困難な課題である。
本稿では、グラフニューラルネットワーク、時間力学モデル、データインプット、周波数ベースのゲーティング技術を組み合わせることで、これらの課題に対処するTemporal Message Passing(TeMP)フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-07T17:11:53Z)
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。