論文の概要: TEILP: Time Prediction over Knowledge Graphs via Logical Reasoning

• arxiv url: http://arxiv.org/abs/2312.15816v2
• Date: Mon, 29 Jan 2024 04:39:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 20:46:25.409343
• Title: TEILP: Time Prediction over Knowledge Graphs via Logical Reasoning
• Title（参考訳）: TEILP:論理推論による知識グラフの時間予測
• Authors: Siheng Xiong, Yuan Yang, Ali Payani, James C Kerce, Faramarz Fekri
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.480267340831542
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional embedding-based models approach event time prediction in temporal knowledge graphs (TKGs) as a ranking problem. However, they often fall short in capturing essential temporal relationships such as order and distance. In this paper, we propose TEILP, a logical reasoning framework that naturally integrates such temporal elements into knowledge graph predictions. We first convert TKGs into a temporal event knowledge graph (TEKG) which has a more explicit representation of time in term of nodes of the graph. The TEKG equips us to develop a differentiable random walk approach to time prediction. Finally, we introduce conditional probability density functions, associated with the logical rules involving the query interval, using which we arrive at the time prediction. We compare TEILP with state-of-the-art methods on five benchmark datasets. We show that our model achieves a significant improvement over baselines while providing interpretable explanations. In particular, we consider several scenarios where training samples are limited, event types are imbalanced, and forecasting the time of future events based on only past events is desired. In all these cases, TEILP outperforms state-of-the-art methods in terms of robustness.
• Abstract（参考訳）: 従来の埋め込みモデルでは、時間的知識グラフ(TKG)のイベント時間予測をランキング問題として扱う。 しかし、しばしば順序や距離といった重要な時間関係を捉えるのに不足する。 本稿では,このような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)に変換し,そのグラフのノードの項における時間表現をより明確化する。 TEKGは、時間予測のための微分可能なランダムウォーク手法を開発する。 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。 TEILPを5つのベンチマークデータセットの最先端手法と比較する。 本モデルは,解釈可能な説明を提供しながら,ベースラインよりも大幅に改善できることを示す。 特に、トレーニングサンプルが限定され、イベントタイプが不均衡であり、過去のイベントのみに基づいて将来のイベントの時刻を予測するシナリオをいくつか検討する。 これらすべてのケースにおいて、TEILPは堅牢性の観点から最先端のメソッドよりも優れています。

関連論文リスト

• Selective Temporal Knowledge Graph Reasoning [70.11788354442218]
  時間的知識グラフ(TKG)は、与えられた歴史的事実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。 既存のTKG推論モデルは、不確実な予測を控えることができない。 本稿では,既存のモデルが無差別な予測ではなく選択的に行うのに役立つ,TKG推論の棄却機構を提案する。
  論文  参考訳（メタデータ） (2024-04-02T06:56:21Z)
• Leveraging Pre-trained Language Models for Time Interval Prediction in Text-Enhanced Temporal Knowledge Graphs [1.4916971861796382]
  本稿では,テキスト強調時間知識グラフ補完のための事前学習言語モデル(PLM)のパワーを利用するTEMTという新しいフレームワークを提案する。 従来のアプローチとは異なり、TEMTは異なる時間ポイント間の依存関係を効果的にキャプチャし、目に見えないエンティティの予測を可能にする。
  論文  参考訳（メタデータ） (2023-09-28T11:43:49Z)
• 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)
• NeuSTIP: A Novel Neuro-Symbolic Model for Link and Time Prediction in Temporal Knowledge Graphs [13.442923127130806]
  本稿では,時間的知識グラフにおけるリンク予測と時間間隔予測を行う新しい時間的ニューロシンボリックモデルNeuSTIPを提案する。 NeuSTIPは、隣接する述語間の時間的一貫性を保証するアレン述語の存在下で時間的規則を学習する。 2つの時間間隔に基づくデータセットに対する実験的な評価は、リンク予測と時間間隔予測の両方において、我々のモデルが最先端のモデルより優れていることを示唆している。
  論文  参考訳（メタデータ） (2023-05-15T13:46:34Z)
• 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)
• Logic and Commonsense-Guided Temporal Knowledge Graph Completion [9.868206060374991]
  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。
  論文  参考訳（メタデータ） (2022-11-30T10:06:55Z)
• 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)
• 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)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• 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)
• 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)

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。