論文の概要: Selective Temporal Knowledge Graph Reasoning

• arxiv url: http://arxiv.org/abs/2404.01695v1
• Date: Tue, 2 Apr 2024 06:56:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-03 17:38:25.645905
• Title: Selective Temporal Knowledge Graph Reasoning
• Title（参考訳）: Selective Temporal Knowledge Graph Reasoning
• Authors: Zhongni Hou, Xiaolong Jin, Zixuan Li, Long Bai, Jiafeng Guo, Xueqi Cheng,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 70.11788354442218
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal Knowledge Graph (TKG), which characterizes temporally evolving facts in the form of (subject, relation, object, timestamp), has attracted much attention recently. TKG reasoning aims to predict future facts based on given historical ones. However, existing TKG reasoning models are unable to abstain from predictions they are uncertain, which will inevitably bring risks in real-world applications. Thus, in this paper, we propose an abstention mechanism for TKG reasoning, which helps the existing models make selective, instead of indiscriminate, predictions. Specifically, we develop a confidence estimator, called Confidence Estimator with History (CEHis), to enable the existing TKG reasoning models to first estimate their confidence in making predictions, and then abstain from those with low confidence. To do so, CEHis takes two kinds of information into consideration, namely, the certainty of the current prediction and the accuracy of historical predictions. Experiments with representative TKG reasoning models on two benchmark datasets demonstrate the effectiveness of the proposed CEHis.
• Abstract（参考訳）: 時間的知識グラフ(TKG)は、時間的に進化する事実(対象、関係、対象、タイムスタンプ)を特徴付けるもので、近年注目を集めている。 TKG推論は、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。 しかし、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ため、必然的に現実世界のアプリケーションにリスクをもたらす。 そこで本稿では,既存のモデルが無差別な予測ではなく,選択的に生成するのに役立つ,TKG推論の棄却機構を提案する。 具体的には、既存のTKG推論モデルにおいて、まず予測の信頼性を推定し、次いで信頼性の低い者から控えるように、信頼度推定器(Confidence Estimator with History,CEHis)を開発した。 そのため、CEHisは2種類の情報、すなわち現在の予測の正確さと過去の予測の正確さを考慮に入れている。 2つのベンチマークデータセット上での代表的なTKG推論モデルによる実験は、提案したCEHisの有効性を示す。

関連論文リスト

• Uncertainty-Guided Enhancement on Driving Perception System via Foundation Models [37.35848849961951]
  本研究では、基礎モデルを利用して既存の駆動知覚モデルから予測を洗練させる手法を開発した。 本手法では,予測精度が10～15%向上し,基礎モデルのクエリ数を50%削減する。
  論文  参考訳（メタデータ） (2024-10-02T00:46:19Z)
• Retrieval-Augmented Generation Meets Data-Driven Tabula Rasa Approach for Temporal Knowledge Graph Forecasting [0.0]
  sLA-tKGFは、時間的知識グラフ(tKG)予測のための小規模言語アシスタントである。 本フレームワークは,tKGとWeb検索結果の履歴データを用いて,知識注入型プロンプトを構築する。 幻覚を減らし、時間とともに変化する傾向を理解することで分布シフトの課題を緩和する。
  論文  参考訳（メタデータ） (2024-08-18T11:52:24Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• 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)
• Modeling the evolution of temporal knowledge graphs with uncertainty [34.54782960535138]
  本稿では,事象発生確率の時間的変化をモデル化する新しいグラフニューラルネットワークアーキテクチャ(WGP-NN)を提案する。 2つの実世界のベンチマークデータセット上で、モデルの最先端性能を実証する。
  論文  参考訳（メタデータ） (2023-01-12T12:39:22Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)

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。