論文の概要: Disentangled Multi-span Evolutionary Network against Temporal Knowledge Graph Reasoning
- arxiv url: http://arxiv.org/abs/2505.14020v1
- Date: Tue, 20 May 2025 07:22:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-21 14:49:52.852087
- Title: Disentangled Multi-span Evolutionary Network against Temporal Knowledge Graph Reasoning
- Title（参考訳）: 時間的知識グラフ推論に対する分散マルチスパン進化ネットワーク
- Authors: Hao Dong, Ziyue Qiao, Zhiyuan Ning, Qi Hao, Yi Du, Pengyang Wang, Yuanchun Zhou,
- Abstract要約: 時間的知識グラフ(TKG)は、時間的特徴を組み込んで、事実がいつ生じたかを記述することによって、知識の透明性を表現する。
本稿では,TKG推論のためのDistangled Multi-Span Evolutionary Network (DiMNet)を提案する。
- 参考スコア（独自算出の注目度）: 20.195713621340403
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Temporal Knowledge Graphs (TKGs), as an extension of static Knowledge Graphs (KGs), incorporate the temporal feature to express the transience of knowledge by describing when facts occur. TKG extrapolation aims to infer possible future facts based on known history, which has garnered significant attention in recent years. Some existing methods treat TKG as a sequence of independent subgraphs to model temporal evolution patterns, demonstrating impressive reasoning performance. However, they still have limitations: 1) In modeling subgraph semantic evolution, they usually neglect the internal structural interactions between subgraphs, which are actually crucial for encoding TKGs. 2) They overlook the potential smooth features that do not lead to semantic changes, which should be distinguished from the semantic evolution process. Therefore, we propose a novel Disentangled Multi-span Evolutionary Network (DiMNet) for TKG reasoning. Specifically, we design a multi-span evolution strategy that captures local neighbor features while perceiving historical neighbor semantic information, thus enabling internal interactions between subgraphs during the evolution process. To maximize the capture of semantic change patterns, we design a disentangle component that adaptively separates nodes' active and stable features, used to dynamically control the influence of historical semantics on future evolution. Extensive experiments conducted on four real-world TKG datasets show that DiMNet demonstrates substantial performance in TKG reasoning, and outperforms the state-of-the-art up to 22.7% in MRR.
- Abstract（参考訳）: 時間的知識グラフ(TKG)は静的知識グラフ(KG)の拡張であり、時間的特徴を組み込んで、事実がいつ生じたかを記述することによって知識の透明性を表現する。
TKGの外挿は、近年大きな注目を集めている既知の歴史に基づいて、将来的な事実を推測することを目的としている。
いくつかの既存の手法は、TKGを時間進化パターンをモデル化するための独立した部分グラフの列として扱い、印象的な推論性能を誇示している。
しかし、それらはまだ限界があります。
1) サブグラフのセマンティック進化をモデル化する際には,TKGの符号化に欠かせない部分グラフ間の内部構造的相互作用を無視することが多い。
2) 意味的変化に繋がらない潜在的なスムーズな特徴を見落とし, 意味的進化過程と区別すべきである。
そこで本研究では,TKG推論のためのDistangled Multi-Span Evolutionary Network (DiMNet)を提案する。
具体的には、局所的な特徴を捉えつつ、近隣の歴史的意味情報を認識し、進化過程においてサブグラフ間の内部的相互作用を可能にするマルチスパン進化戦略を設計する。
意味変化パターンのキャプチャを最大化するために,ノードのアクティブかつ安定な特徴を適応的に分離し,過去の意味が将来の進化に与える影響を動的に制御する,アンタングルなコンポーネントを設計する。
4つの実世界のTKGデータセットで実施された大規模な実験により、DiMNetはTKG推論においてかなりの性能を示し、MRRでは22.7%まで最先端であることが示された。
関連論文リスト
- Hawkes based Representation Learning for Reasoning over Scale-free Community-structured Temporal Knowledge Graphs [9.669168390205595]
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。
論文 参考訳（メタデータ） (2024-12-28T06:47:51Z) - TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳（メタデータ） (2024-01-06T06:26:49Z) - Learning Multi-graph Structure for Temporal Knowledge Graph Reasoning [3.3571415078869955]
本稿では,LMS(Learning Multi-graph Structure)に着目した革新的な推論手法を提案する。
LMSは、タイムスタンプに沿って効果的にエンティティ表現をマージするための適応ゲートを組み込んでいる。
また、タイムスタンプのセマンティクスをグラフアテンション計算や時間認識デコーダに統合する。
論文 参考訳（メタデータ） (2023-12-04T08:23:09Z) - DyTed: Disentangled Representation Learning for Discrete-time Dynamic
Graph [59.583555454424]
離散時間動的グラフ、すなわちDyTedのための新しいディペンタングル表現学習フレームワークを提案する。
本研究では,時間不変の表現と時間変動の表現を効果的に識別する構造的コントラスト学習とともに,時間的クリップのコントラスト学習タスクを特別に設計する。
論文 参考訳（メタデータ） (2022-10-19T14:34:12Z) - 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) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳（メタデータ） (2021-05-17T15:33:25Z) - 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) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z)
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。