論文の概要: Hawkes based Representation Learning for Reasoning over Scale-free Community-structured Temporal Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2501.01974v1
• Date: Sat, 28 Dec 2024 06:47:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-12 03:17:05.014455
• Title: Hawkes based Representation Learning for Reasoning over Scale-free Community-structured Temporal Knowledge Graphs
• Title（参考訳）: スケールフリーなコミュニティ構造化時間知識グラフ上での推論のためのホークスに基づく表現学習
• Authors: Yuwei Du, Xinyue Liu, Wenxin Liang, Linlin Zong, Xianchao Zhang,
• Abstract要約: 我々は、ホークスプロセスに基づく進化表現学習ネットワーク(HERLN)と呼ばれる新しいTKG推論モデルを提案する。 HERLNはTKGの構造情報と進化パターンを同時に学習する。 実験の結果,HERLNは最先端モデルよりも大幅に改善されていることがわかった。
• 参考スコア（独自算出の注目度）: 9.669168390205595
• License:
• Abstract: Temporal knowledge graph (TKG) reasoning has become a hot topic due to its great value in many practical tasks. The key to TKG reasoning is modeling the structural information and evolutional patterns of the TKGs. While great efforts have been devoted to TKG reasoning, the structural and evolutional characteristics of real-world networks have not been considered. In the aspect of structure, real-world networks usually exhibit clear community structure and scale-free (long-tailed distribution) properties. In the aspect of evolution, the impact of an event decays with the time elapsing. In this paper, we propose a novel TKG reasoning model called Hawkes process-based Evolutional Representation Learning Network (HERLN), which learns structural information and evolutional patterns of a TKG simultaneously, considering the characteristics of real-world networks: community structure, scale-free and temporal decaying. First, we find communities in the input TKG to make the encoding get more similar intra-community embeddings. Second, we design a Hawkes process-based relational graph convolutional network to cope with the event impact-decaying phenomenon. Third, we design a conditional decoding method to alleviate biases towards frequent entities caused by long-tailed distribution. Experimental results show that HERLN achieves significant improvements over the state-of-the-art models.
• Abstract（参考訳）: 時間知識グラフ(TKG)推論は、多くの実践的なタスクにおいてその大きな価値のためにホットな話題となっている。 TKG推論の鍵は、TKGの構造情報と進化パターンをモデル化することである。 TKG推論に多大な努力が注がれているが、現実世界のネットワークの構造的および進化的特性は考慮されていない。 構造的側面においては、現実世界のネットワークは通常、明らかなコミュニティ構造とスケールレス(ロングテール分布)特性を示す。 進化の側面では、事象の影響は時間の経過とともに崩壊する。 本稿では,Hawkesプロセスに基づく進化表現学習ネットワーク(Evolutional Representation Learning Network, HERLN)と呼ばれる新しいTKG推論モデルを提案する。 まず、入力されたTKG内のコミュニティが、より類似したコミュニティ内埋め込みを実現する。 第2に,Hawkeysプロセスに基づくリレーショナルグラフ畳み込みネットワークを設計し,事象の影響低減現象に対処する。 第三に、長い尾の分布に起因する頻繁な実体に対するバイアスを軽減する条件付き復号法を設計する。 実験の結果,HERLNは最先端モデルよりも大幅に改善されていることがわかった。

関連論文リスト

• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• A Novel Spatiotemporal Coupling Graph Convolutional Network [0.18130068086063336]
  本稿では,新しいグラフ・コンテンポラル・ネットワーク(GCN)に基づく動的推定器,すなわちスペース・カップリングGCN(SCG)モデルについて述べる。 その結果、SCGは最先端技術と比較して精度が高く、ユーザやクラウドサービスへの強力な表現を学習できることを示した。
  論文  参考訳（メタデータ） (2024-08-09T02:02:01Z)
• Self-organization Preserved Graph Structure Learning with Principle of Relevant Information [72.83485174169027]
  PRI-GSLは、自己組織化を特定し、隠された構造を明らかにするグラフ構造学習フレームワークである。 PRI-GSLは、フォン・ノイマンエントロピーと量子ジェンセン=シャノンの発散によって定量化された最も関連性が最も低い冗長な情報を含む構造を学ぶ。
  論文  参考訳（メタデータ） (2022-12-30T16:02:02Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Complex Evolutional Pattern Learning for Temporal Knowledge Graph Reasoning [60.94357727688448]
  TKG推論は、歴史的KG配列を考えると、将来の潜在的な事実を予測することを目的としている。 進化のパターンは、長さの多様性と時間変化の2つの側面において複雑である。 本稿では,CEN(Complex Evolutional Network)と呼ばれる新しいモデルを提案する。CNN(Convolutional Neural Network)を用いて,長さの異なる進化パターンを扱う。
  論文  参考訳（メタデータ） (2022-03-15T11:02:55Z)
• EvoKG: Jointly Modeling Event Time and Network Structure for Reasoning over Temporal Knowledge Graphs [25.408246523764085]
  時間的知識グラフ(TKG)に対する推論は、インテリジェントなサービスを提供する多くのアプリケーションにとって不可欠である。 本稿では、TKGに対する効果的な推論、すなわちイベント時間と進化するネットワーク構造をモデル化するために対処すべき2つの主要な問題を統一する問題定式化を提案する。 提案手法は,TKGの非定常的構造と時間的ダイナミクスを解析し,両タスクを効果的にモデル化する。
  論文  参考訳（メタデータ） (2022-02-15T18:49:53Z)
• 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)
• A Deep Graph Neural Networks Architecture Design: From Global Pyramid-like Shrinkage Skeleton to Local Topology Link Rewiring [1.455240131708017]
  本稿では,大域的モデル収縮,重み展開,リンクの重み付けを含む,臨界表現率に基づく3ピペリントレーニングフレームワークを提案する。 ネットワークトポロジにおけるモジュラリティ(クラスタリング)現象の理由を分析し、潜在的な誤った重み付きリンクを再配線するために使用します。 GNNのアーキテクチャ設計は、動的および位相空間的な側面からGNNの表現性を検証する。
  論文  参考訳（メタデータ） (2020-12-16T03:14:31Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)

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。