論文の概要: T3DM: Test-Time Training-Guided Distribution Shift Modelling for Temporal Knowledge Graph Reasoning

• arxiv url: http://arxiv.org/abs/2507.01597v1
• Date: Wed, 02 Jul 2025 11:02:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.16176
• Title: T3DM: Test-Time Training-Guided Distribution Shift Modelling for Temporal Knowledge Graph Reasoning
• Title（参考訳）: T3DM: 時間知識グラフ推論のためのテスト時間学習誘導分散シフトモデリング
• Authors: Yuehang Si, Zefan Zeng, Jincai Huang, Qing Cheng,
• Abstract要約: 時間的知識グラフ(TKG)は、時系列に沿った事実の動的発達を記述するための効率的な方法である。 本稿では,TKGRモデル,T3DM(Test-Time Training-Guided Distribution shift Modelling)の新たな分散特徴モデリング手法を提案する。 さらに, 対向学習に基づいて, 高品質な負の四重項を生成するために, 負のサンプリング戦略を設計する。
• 参考スコア（独自算出の注目度）: 3.2186308082558632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal Knowledge Graph (TKG) is an efficient method for describing the dynamic development of facts along a timeline. Most research on TKG reasoning (TKGR) focuses on modelling the repetition of global facts and designing patterns of local historical facts. However, they face two significant challenges: inadequate modeling of the event distribution shift between training and test samples, and reliance on random entity substitution for generating negative samples, which often results in low-quality sampling. To this end, we propose a novel distributional feature modeling approach for training TKGR models, Test-Time Training-guided Distribution shift Modelling (T3DM), to adjust the model based on distribution shift and ensure the global consistency of model reasoning. In addition, we design a negative-sampling strategy to generate higher-quality negative quadruples based on adversarial training. Extensive experiments show that T3DM provides better and more robust results than the state-of-the-art baselines in most cases.
• Abstract（参考訳）: 時間的知識グラフ(TKG)は、時系列に沿った事実の動的発達を記述するための効率的な方法である。 TKGRのほとんどの研究は、世界的事実の反復をモデル化し、地域の歴史的事実のパターンをデザインすることに焦点を当てている。 しかし、トレーニングとテストサンプル間のイベント分散シフトのモデリングが不十分であること、ネガティブサンプルを生成するためにランダムなエンティティ置換に依存すること、そしてしばしば低品質サンプリングをもたらすこと、の2つの大きな課題に直面している。 そこで本研究では,TKGRモデルをトレーニングするための新しい分散特徴モデリング手法,T3DM(Test-Time Training-Guided Distribution shift Modelling)を提案し,分散シフトに基づいてモデルを調整し,モデル推論のグローバルな整合性を確保する。 さらに, 対向学習に基づいて, 高品質な負の四重項を生成するために, 負のサンプリング戦略を設計する。 大規模な実験により、ほとんどの場合、T3DMは最先端のベースラインよりも、より良い、より堅牢な結果をもたらすことが示された。

関連論文リスト

• Evaluation of Seismic Artificial Intelligence with Uncertainty [0.0]
  ディープラーニングモデル(DLM)の評価と比較のための評価フレームワークを開発する。 私たちのフレームワークは、実践者が自身の問題に対して最適なモデルを選択し、パフォーマンスの期待を定めるのに役立ちます。
  論文  参考訳（メタデータ） (2025-01-15T16:45:51Z)
• DRDT3: Diffusion-Refined Decision Test-Time Training Model [6.907105812732423]
  Decision Transformer (DT) は従来のオフライン強化学習 (RL) に比べて競争力がある。 我々はDiffusion-Refined Decision TTT(DRDT3)と呼ばれる統合フレームワークを導入し、DTモデルを超えたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-01-12T04:59:49Z)
• Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
  本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。 推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。 我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
  論文  参考訳（メタデータ） (2024-11-02T07:06:53Z)
• Refining 3D Point Cloud Normal Estimation via Sample Selection [13.207964615561261]
  我々は,グローバルな情報と様々な制約機構を組み込むことにより,正規推定の基本的枠組みを導入し,既存モデルを拡張した。 また,非オブジェクト指向タスクと非オブジェクト指向タスクの両方における最先端性能を達成し,推定された非オブジェクト指向の正規性を補正するために,既存の配向手法を利用する。
  論文  参考訳（メタデータ） (2024-05-20T02:06:10Z)
• TEA: Test-time Energy Adaptation [67.4574269851666]
  テスト時間適応(TTA)は、テストデータがトレーニング分布から分岐する際のモデル一般化性を改善することを目的としている。 本稿では,対象データ分布に対するモデルによる認識を高めるための,新しいエネルギーベース視点を提案する。
  論文  参考訳（メタデータ） (2023-11-24T10:49:49Z)
• RAFT: Reward rAnked FineTuning for Generative Foundation Model Alignment [32.752633250862694]
  生成基礎モデルは、広範囲の教師なしのトレーニングデータから生じる暗黙のバイアスに影響を受けやすい。 我々は、生成モデルを効果的に整合させるために設計された新しいフレームワーク、Reward rAnked FineTuningを紹介する。
  論文  参考訳（メタデータ） (2023-04-13T18:22:40Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)

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。