論文の概要: TILP: Differentiable Learning of Temporal Logical Rules on Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2402.12309v1
• Date: Mon, 19 Feb 2024 17:30:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-20 15:25:58.000789
• Title: TILP: Differentiable Learning of Temporal Logical Rules on Knowledge Graphs
• Title（参考訳）: TILP:知識グラフに基づく時間論理規則の微分学習
• Authors: Siheng Xiong, Yuan Yang, Faramarz Fekri, James Clayton Kerce
• Abstract要約: 時間的論理規則学習のための差別化可能なフレームワークであるTILPを提案する。 本稿では、tKGにおける時間的特徴モデリング、例えば、再発、時間的秩序、一対の関係と期間の間隔、および学習過程に組み込んだ時間的特徴モデリングを提案する。 提案するフレームワークは,解釈可能な結果を提供しながら,ベースライン手法の性能を向上させることができることを示す。
• 参考スコア（独自算出の注目度）: 17.559644723196843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Compared with static knowledge graphs, temporal knowledge graphs (tKG), which can capture the evolution and change of information over time, are more realistic and general. However, due to the complexity that the notion of time introduces to the learning of the rules, an accurate graph reasoning, e.g., predicting new links between entities, is still a difficult problem. In this paper, we propose TILP, a differentiable framework for temporal logical rules learning. By designing a constrained random walk mechanism and the introduction of temporal operators, we ensure the efficiency of our model. We present temporal features modeling in tKG, e.g., recurrence, temporal order, interval between pair of relations, and duration, and incorporate it into our learning process. We compare TILP with state-of-the-art methods on two benchmark datasets. We show that our proposed framework can improve upon the performance of baseline methods while providing interpretable results. In particular, we consider various scenarios in which training samples are limited, data is biased, and the time range between training and inference are different. In all these cases, TILP works much better than the state-of-the-art methods.
• Abstract（参考訳）: 静的知識グラフと比較すると、時間とともに情報の進化と変化を捉える時間的知識グラフ(tkg)はより現実的で一般的である。 しかしながら、時間の概念がルールの学習に導入される複雑さのため、エンティティ間の新しいリンクを予測するといった、正確なグラフ推論は依然として難しい問題である。 本稿では,時相論理規則学習のための微分可能なフレームワーク tilp を提案する。 制約付きランダムウォーク機構の設計と時間演算子の導入により,モデルの効率性が保証される。 我々はtkgにおける時間的特徴のモデル化、例えば、反復、時間順序、ペア間の間隔、継続時間について提示し、学習プロセスに組み込む。 2つのベンチマークデータセット上で,TILPと最先端手法を比較した。 提案フレームワークは, 解釈可能な結果を提供しながら, ベースラインメソッドの性能を向上させることができることを示す。 特に、トレーニングサンプルが制限され、データがバイアスを受け、トレーニングと推論の時間範囲が異なる様々なシナリオについて考察する。 これらすべてのケースにおいて、TILPは最先端の手法よりもずっとうまく機能します。

関連論文リスト

• Simple but Effective Compound Geometric Operations for Temporal Knowledge Graph Completion [18.606006541284422]
  時間的知識グラフ補完は、時間的知識グラフに欠けている事実を推測することを目的としている。 現在のアプローチでは、事実知識を連続ベクトル空間に埋め込んで、時間的知識グラフの潜在的なパターンを学習するために幾何学的操作を適用するのが一般的である。 本稿ではTCompoundEを提案する。TCompoundEは時間固有演算と関係固有演算を含む2つの幾何学演算を特別に設計する。
  論文  参考訳（メタデータ） (2024-08-13T03:36:30Z)
• Temporal Smoothness Regularisers for Neural Link Predictors [8.975480841443272]
  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。
  論文  参考訳（メタデータ） (2023-09-16T16:52:49Z)
• DyTed: Disentangled Representation Learning for Discrete-time Dynamic Graph [59.583555454424]
  離散時間動的グラフ、すなわちDyTedのための新しいディペンタングル表現学習フレームワークを提案する。 本研究では,時間不変の表現と時間変動の表現を効果的に識別する構造的コントラスト学習とともに,時間的クリップのコントラスト学習タスクを特別に設計する。
  論文  参考訳（メタデータ） (2022-10-19T14:34:12Z)
• 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)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• 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)
• Contrastive learning of strong-mixing continuous-time stochastic processes [53.82893653745542]
  コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。 拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
  論文  参考訳（メタデータ） (2021-03-03T23:06:47Z)
• 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)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)
• 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。