論文の概要: Mixture Policy based Multi-Hop Reasoning over N-tuple Temporal Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2505.12788v1
• Date: Mon, 19 May 2025 07:20:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.459299
• Title: Mixture Policy based Multi-Hop Reasoning over N-tuple Temporal Knowledge Graphs
• Title（参考訳）: N-tuple 時間知識グラフを用いた混合ポリシーに基づくマルチホップ推論
• Authors: Zhongni Hou, Miao Su, Xiaolong Jin, Zixuan Li, Long Bai, Jiafeng Guo, Xueqi Cheng,
• Abstract要約: MT-Pathと呼ばれる新しい強化学習手法を導入し,時間的情報を利用して歴史的n-タプルを横切り,時間的推論経路を構築する。 MTパスの有効性と説明可能性について実験的に検証した。
• 参考スコア（独自算出の注目度）: 67.52353093086151
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal Knowledge Graphs (TKGs), which utilize quadruples in the form of (subject, predicate, object, timestamp) to describe temporal facts, have attracted extensive attention. N-tuple TKGs (N-TKGs) further extend traditional TKGs by utilizing n-tuples to incorporate auxiliary elements alongside core elements (i.e., subject, predicate, and object) of facts, so as to represent them in a more fine-grained manner. Reasoning over N-TKGs aims to predict potential future facts based on historical ones. However, existing N-TKG reasoning methods often lack explainability due to their black-box nature. Therefore, we introduce a new Reinforcement Learning-based method, named MT-Path, which leverages the temporal information to traverse historical n-tuples and construct a temporal reasoning path. Specifically, in order to integrate the information encapsulated within n-tuples, i.e., the entity-irrelevant information within the predicate, the information about core elements, and the complete information about the entire n-tuples, MT-Path utilizes a mixture policy-driven action selector, which bases on three low-level policies, namely, the predicate-focused policy, the core-element-focused policy and the whole-fact-focused policy. Further, MT-Path utilizes an auxiliary element-aware GCN to capture the rich semantic dependencies among facts, thereby enabling the agent to gain a deep understanding of each n-tuple. Experimental results demonstrate the effectiveness and the explainability of MT-Path.
• Abstract（参考訳）: 時間的知識グラフ(TKG)は、時間的事実を記述するために(対象、述語、対象、タイムスタンプ)四重項を用いており、広く注目を集めている。 N-tuple TKGs (N-TKGs) は、n-tuplesを利用して、事実の中核要素(主観、述語、対象)と共に補助的要素を組み込むことにより、よりきめ細かい方法でそれらを表現することによって、伝統的なTKGをさらに拡張する。 N-TKGに対する推論は、歴史的事実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。 しかし、既存のN-TKG推論法はブラックボックスの性質のため説明性に欠けることが多い。 そこで, MT-Path という新しい強化学習手法を提案する。この手法は, 時間的情報を利用して, 歴史的n-タプルを横断し, 時間的推論経路を構築する。 具体的には、n-タプル内にカプセル化された情報、すなわち述語内のエンティティ非関連情報、中核要素に関する情報、およびn-タプル全体の完全な情報を統合するため、MT-Pathは3つの低レベルポリシー、すなわち述語中心のポリシー、中核要素中心のポリシー、および全ファクト中心のポリシーに基づく混合ポリシー駆動のアクションセレクタを利用する。 さらに、MT-Pathは、補助的要素認識GCNを使用して、事実間のリッチなセマンティック依存関係をキャプチャし、エージェントが各n-タプルを深く理解できるようにする。 MTパスの有効性と説明可能性について実験的に検証した。

関連論文リスト

• 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)
• A Survey on Temporal Knowledge Graph Completion: Taxonomy, Progress, and Prospects [73.44022660932087]
  時間的特性は、かなりの量の知識で顕著に明らかである。 新たな知識の継続的な出現、構造化されていないデータから構造化された情報を抽出するアルゴリズムの弱点、ソースデータセットにおける情報の欠如を引用する。 TKGC(Temporal Knowledge Graph Completion)のタスクは、利用可能な情報に基づいて行方不明アイテムを予測することを目的として、注目を集めている。
  論文  参考訳（メタデータ） (2023-08-04T16:49:54Z)
• Meta-Learning Based Knowledge Extrapolation for Temporal Knowledge Graph [4.103806361930888]
  時間的KG(TKG)は、静的トリプルとタイムスタンプを関連付けることで従来の知識グラフを拡張する。 本稿では,メタラーニングに基づく時間知識グラフ外挿法(MTKGE)モデルを提案する。 MTKGEは知識グラフ外挿法において既存の最先端モデルよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T09:52:26Z)
• ECOLA: Enhanced Temporal Knowledge Embeddings with Contextualized Language Representations [35.51427298619691]
  テキストデータに埋め込まれた時間的知識の強化について検討する。 文脈型言語表現(ECOLA)を用いた時間的知識埋め込みを提案する。 実験の結果,ECOLAはリンク予測タスクにおいてHits@1に関して最大287%の相対的な改善を施し,時間的埋め込みモデルを大幅に向上することが示された。
  論文  参考訳（メタデータ） (2022-03-17T20:08:25Z)
• CokeBERT: Contextual Knowledge Selection and Embedding towards Enhanced Pre-Trained Language Models [103.18329049830152]
  我々は,コンテキスト知識を動的に選択し,テキストコンテキストに応じて知識コンテキストを埋め込む,Cokeという新しいフレームワークを提案する。 実験の結果、コークは知識駆動型NLPタスクにおいて、様々なベースラインを上回ります。 コークは、テキスト関連の知識のセマンティクスを従来のPLMよりも解釈可能な形で記述することができる。
  論文  参考訳（メタデータ） (2020-09-29T12:29:04Z)
• Message Passing Neural Processes [3.0969191504482247]
  本稿では,モデル内の関係構造を明示的に利用するMPNP(Message Passing Neural Processs)を紹介する。 MPNPは、既存のベンチマークと新たに提案されたCAとCola-Branchedタスクに基づいて、より低いサンプリングレートで成長する。 本稿では、密度に基づくCAルールセットに対する強力な一般化と、任意のラベリングと数発の学習設定に挑戦する際の顕著な向上について報告する。
  論文  参考訳（メタデータ） (2020-09-29T09:40:09Z)

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。