論文の概要: Towards Foundation Model on Temporal Knowledge Graph Reasoning

• arxiv url: http://arxiv.org/abs/2506.06367v1
• Date: Wed, 04 Jun 2025 09:19:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 21:10:47.02488
• Title: Towards Foundation Model on Temporal Knowledge Graph Reasoning
• Title（参考訳）: 時間的知識グラフ推論の基礎モデルに向けて
• Authors: Jiaxin Pan, Mojtaba Nayyeri, Osama Mohammed, Daniel Hernandez, Rongchuan Zhang, Cheng Cheng, Steffen Staab,
• Abstract要約: 時間的知識グラフ(TKG)は、時間的事実を4重形式(s, p, o, t)で格納する。 新しいモデルは、細粒度時間パターンを捉えるために正弦波位置符号化を用いる。 PostRAは、目に見えない時間的知識グラフに強いゼロショット性能を示す。
• 参考スコア（独自算出の注目度）: 17.165969719351125
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Temporal Knowledge Graphs (TKGs) store temporal facts with quadruple formats (s, p, o, t). Existing Temporal Knowledge Graph Embedding (TKGE) models perform link prediction tasks in transductive or semi-inductive settings, which means the entities, relations, and temporal information in the test graph are fully or partially observed during training. Such reliance on seen elements during inference limits the models' ability to transfer to new domains and generalize to real-world scenarios. A central limitation is the difficulty in learning representations for entities, relations, and timestamps that are transferable and not tied to dataset-specific vocabularies. To overcome these limitations, we introduce the first fully-inductive approach to temporal knowledge graph link prediction. Our model employs sinusoidal positional encodings to capture fine-grained temporal patterns and generates adaptive entity and relation representations using message passing conditioned on both local and global temporal contexts. Our model design is agnostic to temporal granularity and time span, effectively addressing temporal discrepancies across TKGs and facilitating time-aware structural information transfer. As a pretrained, scalable, and transferable model, POSTRA demonstrates strong zero-shot performance on unseen temporal knowledge graphs, effectively generalizing to novel entities, relations, and timestamps. Extensive theoretical analysis and empirical results show that a single pretrained model can improve zero-shot performance on various inductive temporal reasoning scenarios, marking a significant step toward a foundation model for temporal KGs.
• Abstract（参考訳）: 時間的知識グラフ(TKG)は、時間的事実を4つの形式(s, p, o, t)で格納する。 既存の時間知識グラフ埋め込み(TKGE)モデルは、半帰納的または半帰納的設定でリンク予測タスクを実行する。 このような推論中の要素への依存は、モデルが新しいドメインに移行し、現実のシナリオに一般化する能力を制限する。 中心的な制限は、データセット固有の語彙に縛られず、転送可能なエンティティ、リレーション、タイムスタンプの表現を学ぶことの難しさである。 これらの制限を克服するために、時間的知識グラフリンク予測に対する最初の完全な帰納的アプローチを導入する。 本モデルでは, 局所的・大域的両方の時間的文脈で条件付きメッセージパッシングを用いて, 微粒な時間的パターンを捕捉し, 適応的な実体と関係表現を生成する。 モデル設計は時間的粒度や時間的幅に依存しないため,TKG間の時間的不一致を効果的に解決し,時間的構造情報伝達を容易にする。 POSTRAは、事前訓練されたスケーラブルで転送可能なモデルとして、目に見えない時間的知識グラフ上で強力なゼロショット性能を示し、新しいエンティティ、リレーションシップ、タイムスタンプに効果的に一般化する。 広範囲な理論的解析と実験結果から,1つの事前学習モデルが,時間的KGの基礎モデルに向けた重要なステップとして,様々な帰納的時間的推論シナリオにおけるゼロショット性能を向上させることが示唆された。

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)
• Temporal Inductive Path Neural Network for Temporal Knowledge Graph Reasoning [16.984588879938947]
  時間的知識グラフ(TKG)の推論は、過去の出来事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。 既存のほとんどのアプローチでは、グラフ内のノードが知識表現において重要な役割を果たすため、エンティティモデリングに依存するTKGをモデル化する。 実体に依存しない視点で過去の情報をモデル化するTiPNN(Temporal Inductive Path Neural Network)を提案する。
  論文  参考訳（メタデータ） (2023-09-06T17:37:40Z)
• Instructed Diffuser with Temporal Condition Guidance for Offline Reinforcement Learning [71.24316734338501]
  テンポラリ・コンポラブル・ディフューザ(TCD)を用いた実効時間条件拡散モデルを提案する。 TCDは、相互作用シーケンスから時間情報を抽出し、時間条件で生成を明示的にガイドする。 提案手法は,従来のSOTAベースラインと比較して最高の性能を達成または一致させる。
  論文  参考訳（メタデータ） (2023-06-08T02:12:26Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)
• Learning to Sample and Aggregate: Few-shot Reasoning over Temporal Knowledge Graphs [13.230166885504202]
  本稿では,時間的知識グラフ推論という,現実的だが未探索な問題について考察する。 進化するグラフにおける極めて限定的な観測に基づいて、新しい実体の将来の事実を予測することを目的としている。 本稿ではメタ時間知識グラフ推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-16T22:40:33Z)
• Temporal Knowledge Graph Reasoning with Low-rank and Model-agnostic Representations [1.8262547855491458]
  低ランクテンソル分解モデル LowFER のパラメータ効率および時間認識拡張系である Time-LowFER を導入する。 時間を表現するための現在のアプローチのいくつかの制限に留意し、時間特徴に対するサイクル対応の時間符号化方式を提案する。 我々は,時間に敏感なデータ処理に着目した統合時間知識グラフ埋め込みフレームワークに本手法を実装した。
  論文  参考訳（メタデータ） (2022-04-10T22:24:11Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)

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。