論文の概要: Arbitrary Time Information Modeling via Polynomial Approximation for Temporal Knowledge Graph Embedding
- arxiv url: http://arxiv.org/abs/2405.00358v1
- Date: Wed, 1 May 2024 07:27:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-02 16:17:22.308028
- Title: Arbitrary Time Information Modeling via Polynomial Approximation for Temporal Knowledge Graph Embedding
- Title（参考訳）: 時間知識グラフ埋め込みのための多項式近似による任意時間情報モデリング
- Authors: Zhiyu Fang, Jingyan Qin, Xiaobin Zhu, Chun Yang, Xu-Cheng Yin,
- Abstract要約: 時間知識グラフ(TKG)は、時間的に進化する事実を適切に探索し、推論する必要がある。
既存のTKGアプローチは、任意のタイムスタンプを連続的にモデル化する限られた能力と、時間的制約の下での豊富な推論パターンの欠如という、2つの大きな課題に直面している。
本稿では,分解に基づく時間的表現と埋め込みに基づく実体表現による革新的なTKGE法を提案する。
- 参考スコア（独自算出の注目度）: 23.39851202825318
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Distinguished from traditional knowledge graphs (KGs), temporal knowledge graphs (TKGs) must explore and reason over temporally evolving facts adequately. However, existing TKG approaches still face two main challenges, i.e., the limited capability to model arbitrary timestamps continuously and the lack of rich inference patterns under temporal constraints. In this paper, we propose an innovative TKGE method (PTBox) via polynomial decomposition-based temporal representation and box embedding-based entity representation to tackle the above-mentioned problems. Specifically, we decompose time information by polynomials and then enhance the model's capability to represent arbitrary timestamps flexibly by incorporating the learnable temporal basis tensor. In addition, we model every entity as a hyperrectangle box and define each relation as a transformation on the head and tail entity boxes. The entity boxes can capture complex geometric structures and learn robust representations, improving the model's inductive capability for rich inference patterns. Theoretically, our PTBox can encode arbitrary time information or even unseen timestamps while capturing rich inference patterns and higher-arity relations of the knowledge base. Extensive experiments on real-world datasets demonstrate the effectiveness of our method.
- Abstract（参考訳）: 従来の知識グラフ(KGs)とは違い、時間的知識グラフ(TKGs)は時間的に進化する事実を適切に探索し、推論する必要がある。
しかしながら、既存のTKGアプローチは、任意のタイムスタンプを連続的にモデル化する限られた能力と、時間的制約の下での豊富な推論パターンの欠如という、2つの大きな課題に直面している。
本稿では,多項式分解に基づく時間的表現とボックス埋め込みに基づく実体表現を用いた革新的TKGE法(PTBox)を提案する。
具体的には、多項式による時間情報の分解を行い、学習可能な時間的基底テンソルを組み込んで任意のタイムスタンプを柔軟に表現するモデルの能力を強化する。
さらに、すべてのエンティティを超長方形ボックスとしてモデル化し、それぞれの関係を頭と尾のエンティティボックス上の変換として定義する。
エンティティボックスは複雑な幾何学的構造をキャプチャし、ロバストな表現を学ぶことができ、リッチな推論パターンに対するモデルの帰納的能力を改善することができる。
理論的には、PTBoxは任意の時間情報やタイムスタンプさえもエンコードでき、豊富な推論パターンと知識ベースとの高親密な関係をキャプチャできる。
実世界のデータセットに対する大規模な実験により,本手法の有効性が示された。
関連論文リスト
- Learning Granularity Representation for Temporal Knowledge Graph Completion [2.689675451882683]
時間的知識グラフ(TKG)は、実世界の事実の動的な構造的知識と進化的パターンを反映する時間的情報を含んでいる。
本稿では,TKG 補完のための textbfLearning textbfGranularity textbfRepresentation (termed $mathsfLGRe$) を提案する。
グラニュラリティ・ラーニング(GRL)とアダプティブグラニュラリティ・バランシング(AGB)の2つの主要コンポーネントから構成される。
論文 参考訳（メタデータ） (2024-08-27T08:19:34Z) - 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 Inductive Path Neural Network for Temporal Knowledge Graph
Reasoning [16.984588879938947]
時間的知識グラフ(TKG)の推論は、過去の出来事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。
既存のほとんどのアプローチでは、グラフ内のノードが知識表現において重要な役割を果たすため、エンティティモデリングに依存するTKGをモデル化する。
実体に依存しない視点で過去の情報をモデル化するTiPNN(Temporal Inductive Path Neural Network)を提案する。
論文 参考訳（メタデータ） (2023-09-06T17:37:40Z) - ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。
我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
論文 参考訳（メタデータ） (2023-04-07T15:17:48Z) - 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) - 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) - TCGL: Temporal Contrastive Graph for Self-supervised Video
Representation Learning [79.77010271213695]
本稿では,TCGL(Temporal Contrastive Graph Learning)という,ビデオの自己教師型学習フレームワークを提案する。
TCGLは、フレームとスニペットの順序に関する以前の知識をグラフ構造、すなわち、インター/インタースニペットの時間トラストグラフ(TCG)に統合します。
ラベルなしビデオの監視信号を生成するために,適応スニペット順序予測(ASOP)モジュールを導入する。
論文 参考訳（メタデータ） (2021-12-07T09:27:56Z) - Temporal Knowledge Graph Completion using Box Embeddings [13.858051019755283]
BoxTEは、時間的知識グラフ補完のためのボックス埋め込みモデルである。
BoxTEは完全に表現力があり,時間的条件下では強い誘導能力を有することを示す。
次に,本モデルの有効性を実証的に評価し,いくつかのTKGCベンチマークで最先端の結果が得られたことを示す。
論文 参考訳（メタデータ） (2021-09-18T17:12:13Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Temporal Knowledge Graph Reasoning Based on Evolutional Representation
Learning [59.004025528223025]
将来の事実を予測する鍵は、歴史的事実を徹底的に理解することです。
TKGは実際には異なるタイムスタンプに対応するKGのシーケンスである。
グラフ畳み込みネットワーク(GCN)に基づく新しいリカレント進化ネットワークを提案する。
論文 参考訳（メタデータ） (2021-04-21T05:12:21Z) - On the Post-hoc Explainability of Deep Echo State Networks for Time
Series Forecasting, Image and Video Classification [63.716247731036745]
エコー状態ネットワークは、主に学習アルゴリズムの単純さと計算効率のために、時間を通じて多くのスターを惹きつけてきた。
本研究では,時間系列,画像,映像データを用いた学習タスクに適用した場合のエコー状態ネットワークの説明可能性について検討した。
本研究では,これらの反復モデルが把握した知識に関する理解可能な情報を抽出する3つの手法を提案する。
論文 参考訳（メタデータ） (2021-02-17T08:56:33Z)
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。