論文の概要: HIP Network: Historical Information Passing Network for Extrapolation
Reasoning on Temporal Knowledge Graph
- arxiv url: http://arxiv.org/abs/2402.12074v1
- Date: Mon, 19 Feb 2024 11:50:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 16:35:55.324170
- Title: HIP Network: Historical Information Passing Network for Extrapolation
Reasoning on Temporal Knowledge Graph
- Title（参考訳）: HIPネットワーク:時間知識グラフを用いた外挿推論のための履歴情報伝達ネットワーク
- Authors: Yongquan He and Peng Zhang and Luchen Liu and Qi Liang and Wenyuan
Zhang and Chuang Zhang
- Abstract要約: 今後の出来事を予測するために,歴史情報伝達(HIP)ネットワークを提案する。
本手法では,関係表現の更新を考慮し,上記の次元に対応する3つのスコアリング関数を採用する。
5つのベンチマークデータセットの実験結果は、HIPネットワークの優位性を示している。
- 参考スコア（独自算出の注目度）: 14.832067253514213
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, temporal knowledge graph (TKG) reasoning has received
significant attention. Most existing methods assume that all timestamps and
corresponding graphs are available during training, which makes it difficult to
predict future events. To address this issue, recent works learn to infer
future events based on historical information. However, these methods do not
comprehensively consider the latent patterns behind temporal changes, to pass
historical information selectively, update representations appropriately and
predict events accurately. In this paper, we propose the Historical Information
Passing (HIP) network to predict future events. HIP network passes information
from temporal, structural and repetitive perspectives, which are used to model
the temporal evolution of events, the interactions of events at the same time
step, and the known events respectively. In particular, our method considers
the updating of relation representations and adopts three scoring functions
corresponding to the above dimensions. Experimental results on five benchmark
datasets show the superiority of HIP network, and the significant improvements
on Hits@1 prove that our method can more accurately predict what is going to
happen.
- Abstract（参考訳）: 近年,時間知識グラフ(TKG)の推論が注目されている。
既存のほとんどのメソッドは、トレーニング中にすべてのタイムスタンプと対応するグラフが利用できると仮定しており、将来のイベントを予測することは困難である。
この問題に対処するために、最近の研究は、歴史的情報に基づいて将来の出来事を推測することを学ぶ。
しかし、これらの手法は時間変化の背後にある潜在パターンを包括的に考慮せず、履歴情報を選択的に伝え、適切に表現を更新し、イベントを正確に予測する。
本稿では,今後の事象を予測するためのヒストリカル・インフォメーション・パッシング(HIP)ネットワークを提案する。
HIPネットワークは、イベントの時間的進化、同時に発生するイベントの相互作用、既知のイベントをモデル化するために使用される、時間的、構造的、反復的な視点からの情報を渡す。
特に,関係表現の更新を考慮し,上記の次元に対応する3つのスコアリング関数を採用する。
5つのベンチマークデータセットにおける実験結果は、hipネットワークの優位性を示し、hit@1の大幅な改善は、この方法が今後起こることをより正確に予測できることを示しています。
関連論文リスト
- On Your Mark, Get Set, Predict! Modeling Continuous-Time Dynamics of Cascades for Information Popularity Prediction [5.464598715181046]
情報の普及を正確に予測する鍵は、基礎となる時間情報拡散過程を微妙にモデル化することにある。
本稿では,情報人気予測のために,カスケードの連続時間ダイナミクスをモデル化したConCatを提案する。
実世界の3つのデータセット上でConCatを評価するための広範な実験を行った。
論文 参考訳（メタデータ） (2024-09-25T05:08:44Z) - AMCEN: An Attention Masking-based Contrastive Event Network for Two-stage Temporal Knowledge Graph Reasoning [29.68279984719722]
時間的知識グラフ(TKG)は、現実世界の知識の進化する性質を効果的にモデル化することができ、その完全性と拡張は、既存の知識から新しい事象を推論することで達成できる。
しかし、推論精度はデータセットにおける新しいイベントと繰り返されるイベントの間に不均衡があるため、悪影響を及ぼす。
本研究では,今後の事象の2段階予測のために,局所的な時間的パターンを持つ注意マスキングに基づくコントラストイベントネットワーク(AMCEN)を提案する。
論文 参考訳（メタデータ） (2024-05-16T01:39:50Z) - HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
HPNetは、新しい動的軌道予測手法である。
逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。
私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
論文 参考訳（メタデータ） (2024-04-09T14:42:31Z) - 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) - Who Should I Engage with At What Time? A Missing Event Aware Temporal
Graph Neural Network [4.770906657995415]
本稿では,イベント認識型時間グラフニューラルネットワークMTGNを提案する。
MTGNは既存の手法よりも最大89%,112%,正確な時間とリンク予測に優れていた。
論文 参考訳（メタデータ） (2023-01-20T02:22:55Z) - 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) - Temporal Knowledge Graph Reasoning with Historical Contrastive Learning [24.492458924487863]
我々はContrastive Event Network(CENET)と呼ばれる新しいイベント予測モデルを提案する。
CENETは、ヒストリと非ヒストリの両方の依存関係を学び、与えられたクエリに最もよくマッチする最も潜在的なエンティティを識別する。
推論プロセスの間、CENETは最終的な結果を生成するためにマスクベースの戦略を採用している。
論文 参考訳（メタデータ） (2022-11-20T08:32:59Z) - Evidential Temporal-aware Graph-based Social Event Detection via
Dempster-Shafer Theory [76.4580340399321]
ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。
ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。
ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
論文 参考訳（メタデータ） (2022-05-24T16:22:40Z) - 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) - Networked Time Series Prediction with Incomplete Data [59.45358694862176]
我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。
3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
論文 参考訳（メタデータ） (2021-10-05T18:20:42Z)
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。