論文の概要: DECRL: A Deep Evolutionary Clustering Jointed Temporal Knowledge Graph Representation Learning Approach
- arxiv url: http://arxiv.org/abs/2410.22631v2
- Date: Thu, 19 Dec 2024 02:31:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-20 13:28:14.687052
- Title: DECRL: A Deep Evolutionary Clustering Jointed Temporal Knowledge Graph Representation Learning Approach
- Title(参考訳): DECRL: 時間的知識グラフ表現学習アプローチによる深層進化的クラスタリング
- Authors: Qian Chen, Ling Chen,
- Abstract要約: 時間的知識グラフ(TKG)表現学習は、連続的な低次元ベクトル空間における時間的進化的実体と埋め込み表現との関係をマッピングすることを目的としている。
本稿では,Deep Evolutionary Clustering Jointed temporal knowledge graph Representation Learning approach (DECRL)を提案する。
DECRLは最先端のパフォーマンスを達成し、平均9.53%、12.98%、10.42%、14.68%のMRR、Hits@1、Hits@3、Hits@10をそれぞれ上回っている。
- 参考スコア(独自算出の注目度): 9.158462794964835
- License:
- Abstract: Temporal Knowledge Graph (TKG) representation learning aims to map temporal evolving entities and relations to embedded representations in a continuous low-dimensional vector space. However, existing approaches cannot capture the temporal evolution of high-order correlations in TKGs. To this end, we propose a Deep Evolutionary Clustering jointed temporal knowledge graph Representation Learning approach (DECRL). Specifically, a deep evolutionary clustering module is proposed to capture the temporal evolution of high-order correlations among entities. Furthermore, a cluster-aware unsupervised alignment mechanism is introduced to ensure the precise one-to-one alignment of soft overlapping clusters across timestamps, thereby maintaining the temporal smoothness of clusters. In addition, an implicit correlation encoder is introduced to capture latent correlations between any pair of clusters under the guidance of a global graph. Extensive experiments on seven real-world datasets demonstrate that DECRL achieves the state-of-the-art performances, outperforming the best baseline by an average of 9.53%, 12.98%, 10.42%, and 14.68% in MRR, Hits@1, Hits@3, and Hits@10, respectively.
- Abstract(参考訳): 時間的知識グラフ(TKG)表現学習は、連続的な低次元ベクトル空間における時間的進化的実体と埋め込み表現との関係をマッピングすることを目的としている。
しかし、既存のアプローチでは、TKGの高次相関の時間的進化を捉えることはできない。
そこで本研究では,Deep Evolutionary Clustering Jointed temporal knowledge graph Representation Learning approach (DECRL)を提案する。
具体的には、エンティティ間の高次相関の時間的進化を捉えるために、深い進化的クラスタリングモジュールを提案する。
さらに、タイムスタンプにまたがるソフトオーバーラップクラスタの正確な1対1アライメントを確保するために、クラスタ対応の非教師なしアライメント機構を導入し、クラスタの時間的滑らか性を維持する。
さらに,グローバルグラフの誘導の下で,任意のクラスタ間の遅延相関をキャプチャするために,暗黙相関エンコーダを導入する。
7つの実世界のデータセットに対する大規模な実験により、DECRLは最先端のパフォーマンスを達成し、平均9.53%、12.98%、10.42%、14.68%のMRR、Hits@1、Hits@3、Hits@10をそれぞれ上回った。
関連論文リスト
- Hybrid Ensemble Deep Graph Temporal Clustering for Spatiotemporal Data [0.37083047471478225]
多変量時間データ解析のためのハイブリッドアンサンブルグラフクラスタリング(HEDGTC)法を提案する。
HEDGTCは、従来のクラスタリングからノイズや誤分類に対処するためのデュアルコンセンサスアプローチを採用している。
3つの実世界のデータセットで評価すると、HEDGTCは最先端のアンサンブルクラスタリングモデルより優れている。
論文 参考訳(メタデータ) (2024-09-19T09:14:10Z) - Self-Supervised Contrastive Graph Clustering Network via Structural Information Fusion [15.293684479404092]
CGCNと呼ばれる新しいディープグラフクラスタリング手法を提案する。
提案手法では,事前学習プロセスにコントラスト信号と深部構造情報を導入している。
本手法は,複数の実世界のグラフデータセットに対して実験的に検証されている。
論文 参考訳(メタデータ) (2024-08-08T09:49:26Z) - Clustering Time-Evolving Networks Using the Spatio-Temporal Graph Laplacian [0.8643517734716606]
我々は既存のスペクトルアルゴリズムを一般化し、時間変化のあるグラフ構造におけるコミュニティを特定し解析する。
テンポラル指向グラフ Laplacian は、有向および無向クラスタの時間経過に伴うクラスタ構造進化の明確な解釈を可能にすることを示す。
論文 参考訳(メタデータ) (2024-07-12T14:31:54Z) - CTRL: Continuous-Time Representation Learning on Temporal Heterogeneous Information Network [32.42051167404171]
時間HINを用いた連続時間表現学習モデルを提案する。
我々は、高次ネットワーク構造の進化を捉えるために、将来の事象(サブグラフ)予測タスクでモデルを訓練する。
その結果,本モデルは性能を著しく向上し,様々な最先端手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2024-05-11T03:39:22Z) - Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。
モデルはGCNを適用するために初期グラフを事前に推定する。
一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文 参考訳(メタデータ) (2024-02-25T07:03:37Z) - Deep Temporal Graph Clustering [77.02070768950145]
深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。
GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。
我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
論文 参考訳(メタデータ) (2023-05-18T06:17:50Z) - Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。
本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。
S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
論文 参考訳(メタデータ) (2023-02-15T06:36:04Z) - Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。
クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。
GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
論文 参考訳(メタデータ) (2021-12-15T07:28:58Z) - Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。
提案されたSSCAGは最先端のアプローチと競合する。
論文 参考訳(メタデータ) (2021-04-24T08:09:27Z) - Temporal Contrastive Graph Learning for Video Action Recognition and
Retrieval [83.56444443849679]
本研究では,動画内の時間依存性を利用して,TCGL (temporal Contrastive Graph Learning) という新たな自己監督手法を提案する。
TCGLは、スニペット間およびスニペット内時間依存性を時間表現学習のための自己監督信号として共同で評価するハイブリッドグラフコントラスト学習戦略をルーツとしています。
実験結果は、大規模アクション認識およびビデオ検索ベンチマークにおける最先端の方法よりも、TCGLの優位性を示しています。
論文 参考訳(メタデータ) (2021-01-04T08:11:39Z)
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。