論文の概要: SSTKG: Simple Spatio-Temporal Knowledge Graph for Intepretable and
Versatile Dynamic Information Embedding
- arxiv url: http://arxiv.org/abs/2402.12132v1
- Date: Mon, 19 Feb 2024 13:28:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 16:40:14.259025
- Title: SSTKG: Simple Spatio-Temporal Knowledge Graph for Intepretable and
Versatile Dynamic Information Embedding
- Title(参考訳): SSTKG:Intepretable and Versatile Dynamic Information Embeddingのための簡易時空間知識グラフ
- Authors: Ruiyi Yang, Flora D. Salim and Hao Xue
- Abstract要約: 本稿では,時空間知識(STSKG)の構築と探索のための新しい枠組みを提案する。
我々のフレームワークは、動的KGの根底にあるトレンドを理解し、予測の精度とレコメンデーションの関連性を高めるための、シンプルで包括的な方法を提供する。
- 参考スコア(独自算出の注目度): 11.919765478453964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge graphs (KGs) have been increasingly employed for link prediction
and recommendation using real-world datasets. However, the majority of current
methods rely on static data, neglecting the dynamic nature and the hidden
spatio-temporal attributes of real-world scenarios. This often results in
suboptimal predictions and recommendations. Although there are effective
spatio-temporal inference methods, they face challenges such as scalability
with large datasets and inadequate semantic understanding, which impede their
performance. To address these limitations, this paper introduces a novel
framework - Simple Spatio-Temporal Knowledge Graph (SSTKG), for constructing
and exploring spatio-temporal KGs. To integrate spatial and temporal data into
KGs, our framework exploited through a new 3-step embedding method. Output
embeddings can be used for future temporal sequence prediction and spatial
information recommendation, providing valuable insights for various
applications such as retail sales forecasting and traffic volume prediction.
Our framework offers a simple but comprehensive way to understand the
underlying patterns and trends in dynamic KG, thereby enhancing the accuracy of
predictions and the relevance of recommendations. This work paves the way for
more effective utilization of spatio-temporal data in KGs, with potential
impacts across a wide range of sectors.
- Abstract(参考訳): 知識グラフ(KG)は、現実のデータセットを使用したリンク予測とレコメンデーションにますます採用されている。
しかし、現在の手法の大半は静的データに依存しており、現実のシナリオの動的性質や時空間的属性を無視している。
これはしばしば最適でない予測とレコメンデーションをもたらす。
効果的な時空間推定手法はあるが、大きなデータセットによるスケーラビリティやセマンティック理解の不十分など、パフォーマンスを損なう課題に直面している。
これらの制約に対処するために,時空間KGの構築と探索を目的とした,SSTKG(Simple Spatio-Temporal Knowledge Graph)を提案する。
空間的および時間的データをkgsに統合するために, 新たな3段階埋め込み方式を用いた。
出力埋め込みは将来の時間的シーケンス予測や空間情報レコメンデーションに利用でき、小売販売予測や交通量予測といった様々なアプリケーションに有用な洞察を提供する。
我々のフレームワークは、動的KGの基盤となるパターンや傾向を理解し、予測の精度とレコメンデーションの関連性を高めるための、シンプルで包括的な方法を提供する。
この研究は、kgsにおける時空間データのより効果的な利用への道を開き、幅広い分野にまたがる潜在的な影響をもたらす。
関連論文リスト
- UrbanGPT: Spatio-Temporal Large Language Models [36.29018166466514]
本稿では,時空間エンコーダと命令調整パラダイムをシームレスに統合するUrbanPTを提案する。
我々は、様々な公開データセットに対して広範囲な実験を行い、異なる時間的予測タスクをカバーした。
結果は、慎重に設計されたアーキテクチャを持つUrbanPTが、最先端のベースラインを一貫して上回っていることを一貫して示しています。
論文 参考訳(メタデータ) (2024-02-25T12:37:29Z) - Learning Dynamic Graphs from All Contextual Information for Accurate
Point-of-Interest Visit Forecasting [9.670949636600035]
Busyness Graph Neural Network (BysGNN) は、基礎となるマルチコンテキスト相関を学習し、発見するために設計された時間グラフニューラルネットワークである。
文脈的,時間的,空間的な信号をすべて取り入れることで,最先端の予測モデルに対する予測精度の大幅な向上を観察する。
論文 参考訳(メタデータ) (2023-06-28T05:14:03Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳(メタデータ) (2023-06-20T03:02:14Z) - Taming Local Effects in Graph-based Spatiotemporal Forecasting [28.30604130617646]
時相グラフニューラルネットワークは時系列予測に有効であることが示されている。
本稿では,グラフに基づく時間的予測におけるグローバル性と局所性の間の相互作用を理解することを目的とする。
このようなアーキテクチャにトレーニング可能なノード埋め込みを組み込むことを合理化するための方法論的枠組みを提案する。
論文 参考訳(メタデータ) (2023-02-08T14:18:56Z) - Citation Trajectory Prediction via Publication Influence Representation
Using Temporal Knowledge Graph [52.07771598974385]
既存のアプローチは主に学術論文の時間的データとグラフデータのマイニングに依存している。
本フレームワークは,差分保存グラフ埋め込み,きめ細かい影響表現,学習に基づく軌道計算という3つのモジュールから構成される。
APSアカデミックデータセットとAIPatentデータセットの両方で実験を行った。
論文 参考訳(メタデータ) (2022-10-02T07:43:26Z) - 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) - Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting [6.428566223253948]
S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。
このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。
kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
論文 参考訳(メタデータ) (2022-02-25T10:02:49Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳(メタデータ) (2022-02-17T02:17:31Z) - Spatio-Temporal Graph Contrastive Learning [49.132528449909316]
これらの問題に対処するための時空間グラフコントラスト学習フレームワーク(STGCL)を提案する。
グラフ構造、時間領域、周波数領域の4種類のデータ拡張について詳述する。
我々のフレームワークは、実世界の3つのデータセットと4つの最先端モデルで評価されている。
論文 参考訳(メタデータ) (2021-08-26T16:05:32Z) - SLPC: a VRNN-based approach for stochastic lidar prediction and
completion in autonomous driving [63.87272273293804]
VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。
提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。
VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
論文 参考訳(メタデータ) (2021-02-19T11:56:44Z) - 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)
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。