論文の概要: CognTKE: A Cognitive Temporal Knowledge Extrapolation Framework
- arxiv url: http://arxiv.org/abs/2412.16557v1
- Date: Sat, 21 Dec 2024 09:50:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 15:59:24.143107
- Title: CognTKE: A Cognitive Temporal Knowledge Extrapolation Framework
- Title（参考訳）: CognTKE:認知的時間的知識外挿フレームワーク
- Authors: Wei Chen, Yuting Wu, Shuhan Wu, Zhiyu Zhang, Mengqi Liao, Youfang Lin, Huaiyu Wan,
- Abstract要約: 認知科学におけるデュアルプロセス理論に動機付け,textbfCognitive textbfTemporal textbfKnowledge textbfExtrapolation framework(CognTKE)を提案する。
CognTKEは、新しい時間的認知関係指向グラフ(TCR-Digraph)を導入し、TCR-Digraph上で解釈可能なグローバルな浅層推論と局所的な深部推論を行う。
4つのベンチマークデータセットの実験結果から、CognTKEは現状と比較して精度が大幅に向上していることが示された。
- 参考スコア（独自算出の注目度）: 28.9250547012577
- License:
- Abstract: Reasoning future unknowable facts on temporal knowledge graphs (TKGs) is a challenging task, holding significant academic and practical values for various fields. Existing studies exploring explainable reasoning concentrate on modeling comprehensible temporal paths relevant to the query. Yet, these path-based methods primarily focus on local temporal paths appearing in recent times, failing to capture the complex temporal paths in TKG and resulting in the loss of longer historical relations related to the query. Motivated by the Dual Process Theory in cognitive science, we propose a \textbf{Cogn}itive \textbf{T}emporal \textbf{K}nowledge \textbf{E}xtrapolation framework (CognTKE), which introduces a novel temporal cognitive relation directed graph (TCR-Digraph) and performs interpretable global shallow reasoning and local deep reasoning over the TCR-Digraph. Specifically, the proposed TCR-Digraph is constituted by retrieving significant local and global historical temporal relation paths associated with the query. In addition, CognTKE presents the global shallow reasoner and the local deep reasoner to perform global one-hop temporal relation reasoning (System 1) and local complex multi-hop path reasoning (System 2) over the TCR-Digraph, respectively. The experimental results on four benchmark datasets demonstrate that CognTKE achieves significant improvement in accuracy compared to the state-of-the-art baselines and delivers excellent zero-shot reasoning ability. \textit{The code is available at https://github.com/WeiChen3690/CognTKE}.
- Abstract（参考訳）: 時間的知識グラフ(TKGs)に関する未来の不可知事実の推論は、様々な分野において重要な学術的・実践的な価値を保持する、困難な課題である。
説明可能な推論を探求する研究は、クエリに関連する理解可能な時間経路をモデル化することに集中している。
しかし、これらの経路に基づく手法は、主に近年出現する局所的時間的経路に焦点を当てており、TKGの複雑な時間的経路を捉えることができず、クエリに関連する長い歴史的関係が失われる結果となった。
認知科学におけるデュアルプロセス理論に触発され,新しい時間的認知関係指向グラフ(TCR-Digraph)を導入し,TCR-Digraph上で解釈可能なグローバルな浅層推論と局所的な深層推論を行う,‘textbf{Cogn}itive \textbf{T}emporal \textbf{K}nowledge \textbf{E}xtrapolation framework(CognTKE)’を提案する。
具体的には、提案したTCR-Digraphは、クエリに関連する重要なローカルおよびグローバルな時間的関係経路を検索することによって構成される。
さらに、CagnTKEは、グローバルな浅瀬推論器と局所的な深部推論器を示し、グローバルなワンホップ時間関係推論を行う(システム)。
1)局所複素多重ホップ経路推論(システム)
2) それぞれTCR-Digraph。
4つのベンチマークデータセットの実験結果は、CognTKEが最先端のベースラインと比較して精度を大幅に向上し、優れたゼロショット推論能力を提供することを示した。
https://github.com/WeiChen3690/CognTKE} で公開されている。
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) - Local All-Pair Correspondence for Point Tracking [59.76186266230608]
ビデオシーケンス間の任意の点(TAP)を追跡するタスクのために設計された,高精度かつ効率的なモデルであるLocoTrackを紹介する。
LocoTrackは、すべてのTAP-Vidベンチマークで未整合の精度を実現し、現在の最先端の約6倍の速度で動作している。
論文 参考訳（メタデータ） (2024-07-22T06:49:56Z) - Large Language Models-guided Dynamic Adaptation for Temporal Knowledge Graph Reasoning [87.10396098919013]
大規模言語モデル (LLM) は、時間的推論において広範な知識と卓越した能力を示した。
本稿では,時間的知識グラフに基づく推論のためのLarge Language Models-Guided Dynamic Adaptation (LLM-DA)法を提案する。
LLM-DAは、歴史的データを解析し、時間的論理規則を抽出するLLMの機能を利用する。
論文 参考訳（メタデータ） (2024-05-23T04:54:37Z) - Historically Relevant Event Structuring for Temporal Knowledge Graph Reasoning [5.510391547468202]
時間的知識グラフ(TKG)推論は、タイムライン上に配布されたスナップショット内の履歴情報を通じてイベントを予測することに焦点を当てる。
textbfHistorally textbfRelevant textbfEvents textbfStructuring(mathsfHisRES$)に対する革新的なTKG推論手法を提案する。
論文 参考訳（メタデータ） (2024-05-17T08:33:43Z) - Enhancing Systematic Decompositional Natural Language Inference Using Informal Logic [51.967603572656266]
我々は,分解包含を注釈付けするための一貫した理論的なアプローチを導入する。
我々の新しいデータセットRDTEは、前回の分解エンターメントデータセットよりもかなり高い内部整合性(+9%)を持つことがわかった。
また,RDTE による知識蒸留によるエンテーメント分類器の訓練や,エンテーメントツリー推論エンジンへの導入により,精度と検証精度が向上することが確認された。
論文 参考訳（メタデータ） (2024-02-22T18:55:17Z) - Conflict Detection for Temporal Knowledge Graphs:A Fast Constraint
Mining Algorithm and New Benchmarks [21.152721572830373]
パターンに基づく時間的制約マイニング手法PaTeConを提案する。
本稿では,この手法が高速な高速化を実現するためにどのように最適化できるかを示す。
また、WikidataとFreebaseに、コンフリクト検出のための2つの新しいベンチマークを構築するようアノテートしています。
論文 参考訳（メタデータ） (2023-12-18T09:35:43Z) - Search to Pass Messages for Temporal Knowledge Graph Completion [97.40256786473516]
我々は、時間知識グラフ(TKG)の補完のために、NAS(Neural Architecture Search)を用いて、データ固有のメッセージパッシングアーキテクチャを設計することを提案する。
特に,TKGにおけるトポロジカルおよび時間的情報を探るための一般化されたフレームワークを開発する。
より低コストで効率的な探索のために単一経路をサンプリングし,スーパーネット構造を訓練する探索アルゴリズムを採用する。
論文 参考訳（メタデータ） (2022-10-30T04:05:06Z) - HiSMatch: Historical Structure Matching based Temporal Knowledge Graph
Reasoning [59.38797474903334]
本稿では,textbfHistorical textbfStructure textbfMatching (textbfHiSMatch)モデルを提案する。
クエリと候補エンティティの履歴構造に含まれる意味情報をキャプチャするために、2つの構造エンコーダを適用する。
6つのベンチマークデータセットの実験では、提案されたHiSMatchモデルが、最先端のベースラインと比較して最大5.6%のパフォーマンス改善を達成している。
論文 参考訳（メタデータ） (2022-10-18T09:39:26Z) - Semantic Framework based Query Generation for Temporal Question
Answering over Knowledge Graphs [19.851986862305623]
本稿では,提案するエンティティの関連事実を探索し,問合せグラフを生成する時間的質問応答手法であるSF-TQAを提案する。
評価の結果,SF-TQAは知識グラフの異なる2つのベンチマークにおいて既存手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2022-10-10T08:40:28Z) - T-GAP: Learning to Walk across Time for Temporal Knowledge Graph
Completion [13.209193437124881]
時間的知識グラフ(TKG)は、静的知識グラフとは対照的に、本質的に現実世界の知識の過渡的な性質を反映している。
エンコーダとデコーダにおける時間情報とグラフ構造の両方を最大限に活用するTKG補完の新しいモデルであるT-GAPを提案する。
本実験は、T-GAPが最先端のベースラインに対する優れた性能を達成し、目に見えないタイムスタンプによるクエリに有能に一般化することを示す。
論文 参考訳（メタデータ） (2020-12-19T04:45:32Z) - 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)
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。