論文の概要: A Unified Temporal Knowledge Graph Reasoning Model Towards Interpolation and Extrapolation

• arxiv url: http://arxiv.org/abs/2405.18106v1
• Date: Tue, 28 May 2024 12:13:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-29 18:48:53.605680
• Title: A Unified Temporal Knowledge Graph Reasoning Model Towards Interpolation and Extrapolation
• Title（参考訳）: 補間・外挿に向けた統合時間知識グラフ推論モデル
• Authors: Kai Chen, Ye Wang, Yitong Li, Aiping Li, Han Yu, Xin Song,
• Abstract要約: 時間的知識グラフ(TKG)推論には、推論と外挿推論という2つの設定がある。 本稿では,時間的PAth-based Reasoning (TPAR) モデルを提案する。
• 参考スコア（独自算出の注目度）: 26.841282408191155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal knowledge graph (TKG) reasoning has two settings: interpolation reasoning and extrapolation reasoning. Both of them draw plenty of research interest and have great significance. Methods of the former de-emphasize the temporal correlations among facts sequences, while methods of the latter require strict chronological order of knowledge and ignore inferring clues provided by missing facts of the past. These limit the practicability of TKG applications as almost all of the existing TKG reasoning methods are designed specifically to address either one setting. To this end, this paper proposes an original Temporal PAth-based Reasoning (TPAR) model for both the interpolation and extrapolation reasoning. TPAR performs a neural-driven symbolic reasoning fashion that is robust to ambiguous and noisy temporal data and with fine interpretability as well. Comprehensive experiments show that TPAR outperforms SOTA methods on the link prediction task for both the interpolation and the extrapolation settings. A novel pipeline experimental setting is designed to evaluate the performances of SOTA combinations and the proposed TPAR towards interpolation and extrapolation reasoning. More diverse experiments are conducted to show the robustness and interpretability of TPAR.
• Abstract（参考訳）: 時間知識グラフ(TKG)推論には補間推論と補間推論という2つの設定がある。 どちらも多くの研究関心を集めており、大きな意味を持っている。 前者の方法では、事実列間の時間的相関が強調されず、後者の手法では、厳密な時系列的な知識の順序が必要であり、過去の事実の欠如による手がかりの推測は無視される。 これにより、既存のTKG推論手法のほとんどすべてが1つの設定のいずれかに特化して設計されているため、TKGアプリケーションの実行可能性を制限することができる。 そこで本稿では,補間推論と補間推論の両面から,時間的パスに基づく推論(TPAR)モデルを提案する。 TPARは、曖昧でノイズの多い時間データに対して堅牢で、微妙な解釈性を備えた、神経駆動の象徴的推論方式を実行する。 総合的な実験により、TPARは補間と外挿設定の両方においてリンク予測タスクにおいてSOTA法より優れていることが示された。 補間と外挿の推論に対するSOTAとTPARの組み合わせの性能を評価するために,新しいパイプライン実験環境を構築した。 さらに多様な実験を行い、TPARの堅牢性と解釈可能性を示す。

関連論文リスト

• Semiparametric inference for impulse response functions using double/debiased machine learning [49.1574468325115]
  本稿では,インパルス応答関数(IRF)に対する機械学習推定手法を提案する。 提案した推定器は、処理と結果変数の完全な非パラメトリック関係に依存することができ、柔軟な機械学習アプローチを用いてIRFを推定することができる。
  論文  参考訳（メタデータ） (2024-11-15T07:42:02Z)
• 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)
• Time Evidence Fusion Network: Multi-source View in Long-Term Time Series Forecasting [22.550778677778112]
  本稿では,情報融合の観点から,Time Evidence Fusion Network (TEFN) という新しいバックボーンアーキテクチャを提案する。 提案したTEFNは精度、効率、安定性、解釈可能性のバランスをとり、時系列予測に望ましい解である。
  論文  参考訳（メタデータ） (2024-05-10T12:10:22Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• 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)
• CUP: Curriculum Learning based Prompt Tuning for Implicit Event Argument Extraction [22.746071199667146]
  Implicit Event argument extract (EAE) は、文書に散らばる可能性のある引数を特定することを目的としている。 本稿では,4つの学習段階によって暗黙的EAEを解消する,カリキュラム学習に基づくプロンプトチューニング(CUP)手法を提案する。 さらに,事前学習した言語モデルから関連する知識を引き出すために,プロンプトベースのエンコーダデコーダモデルを統合する。
  論文  参考訳（メタデータ） (2022-05-01T16:03:54Z)
• Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
  Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。 手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
  論文  参考訳（メタデータ） (2022-03-11T09:46:22Z)
• Temporal Relation Extraction with a Graph-Based Deep Biaffine Attention Model [0.0]
  本稿では, ディープ・バイファイン・アテンションに基づく新しい時間情報抽出モデルを提案する。 本研究では,時間的関係抽出における最先端性能の実現を実験的に実証した。
  論文  参考訳（メタデータ） (2022-01-16T19:40:08Z)
• Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
  Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-05-17T22:02:24Z)
• Extracting Temporal Event Relation with Syntactic-Guided Temporal Graph Transformer [17.850316385809617]
  1文または2文の連続文から構築した構文グラフから2つのイベント間の接続を明示的に見つけるための新しい時相グラフトランスフォーマーネットワークを提案する。 MATRES と TB-Dense データセットを用いた実験により,本手法は時間的関係抽出と時間的関係分類の両方において,従来の最先端手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-04-19T19:00:45Z)
• 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。