論文の概要: Integrating Activity Predictions in Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2507.19733v1
- Date: Sat, 26 Jul 2025 01:22:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:56.082469
- Title: Integrating Activity Predictions in Knowledge Graphs
- Title（参考訳）: 知識グラフにおける活動予測の統合
- Authors: Alec Scully, Cameron Stockton, Forrest Hare,
- Abstract要約: 本研究では,漁船の動きなどのデータを知識グラフから整理して検索する方法を示す。
これらのクエリ結果はマルコフ連鎖モデルの作成に使用され、船体の歴史に基づいて将来の状態を予測できます。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We argue that ontology-structured knowledge graphs can play a crucial role in generating predictions about future events. By leveraging the semantic framework provided by Basic Formal Ontology (BFO) and Common Core Ontologies (CCO), we demonstrate how data such as the movements of a fishing vessel can be organized in and retrieved from a knowledge graph. These query results are then used to create Markov chain models, allowing us to predict future states based on the vessel's history. To fully support this process, we introduce the term `spatiotemporal instant' to complete the necessary structural semantics. Additionally, we critique the prevailing ontological model of probability, which conflates probability with likelihood and relies on the problematic concept of modal measurements: measurements of future entities. We propose an alternative view, where probabilities are treated as being about process profiles, which better captures the dynamics of real world phenomena. Finally, we demonstrate how our Markov chain based probability calculations can be seamlessly integrated back into the knowledge graph, enabling further analysis and decision-making. Keywords: predictive analytics, ontology, Markov chains, probability, Basic Formal Ontology (BFO), knowledge graphs, SPARQL.
- Abstract（参考訳）: オントロジーに構造化された知識グラフは、将来の出来事に関する予測を生成する上で重要な役割を果たす。
The semantic framework provided by Basic Formal Ontology (BFO) and Common Core Ontology (CCO), we demonstrate how the data as the movement of a fishing vessel can formed in and retrieve from a knowledge graph。
これらのクエリ結果はマルコフ連鎖モデルの作成に使用され、船体の歴史に基づいて将来の状態を予測できます。
このプロセスを完全に支援するために、必要な構造的意味論を完成させるために「時空間的瞬間」という用語を導入する。
さらに、確率を確率と混同し、モーダル測定という問題的な概念(未来の実体の測定)に依存する確率の一般的な存在論的モデルについて批判する。
本稿では,確率をプロセスプロファイルとみなし,実世界の現象のダイナミクスをよりよく捉えた別の視点を提案する。
最後に、マルコフ連鎖に基づく確率計算を知識グラフにシームレスに統合し、さらなる分析と意思決定を可能にする方法を示す。
キーワード:予測分析、オントロジー、マルコフ連鎖、確率、基本形式オントロジー(BFO)、知識グラフ、SPARQL。
関連論文リスト
- Estimating Interventional Distributions with Uncertain Causal Graphs through Meta-Learning [26.3914014514629]
生物学から社会科学まで、科学分野では、多くの疑問がテキスト化されます。
モデル平均因果推定変換器ニューラルプロセス(MACE-TNP)を用いたメタラーニングによるエンドツーエンドモデルの構築を提案する。
我々の研究は、複雑なベイズ因果推論を近似するフレキシブルでスケーラブルなパラダイムとしてメタラーニングを確立している。
論文 参考訳（メタデータ） (2025-07-07T22:48:32Z) - Uncertainty Quantification in the Tsetlin Machine [11.592828269085082]
我々は不確実性定量化のための新しい手法を開発し、説明可能性をさらに高める。
確率スコアは任意のTM変種固有の性質であり、TM学習力学の解析によって導出される。
確率スコアの可視化により、TMはトレーニングデータ領域外の予測に自信がないことが明らかになった。
論文 参考訳（メタデータ） (2025-07-05T22:06:46Z) - GKNet: Graph Kalman Filtering and Model Inference via Model-based Deep Learning [10.609815608017065]
グラフ上の時系列による推論タスクは、都市水ネットワーク、経済学、ネットワーク化された神経科学などの応用において重要である。
グラフ時間列に対するグラフ対応状態空間モデルを提案する。このモデルでは、潜時状態と観測方程式の両方がパラメトリックグラフ誘導モデルであり、学習すべきパラメータが限られている。
論文 参考訳（メタデータ） (2025-06-27T08:17:07Z) - Generative Flow Networks: Theory and Applications to Structure Learning [7.6872614776094]
この論文は、ベイズの観点からの構造学習の問題を研究する。
ジェネレーティブフローネットワーク(GFlowNets)を導入
GFlowNetsは、生成をシーケンシャルな意思決定問題として扱う。
論文 参考訳（メタデータ） (2025-01-09T17:47:17Z) - Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。
帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。
本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。
第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
論文 参考訳（メタデータ） (2024-08-03T13:37:40Z) - Relational Learning in Pre-Trained Models: A Theory from Hypergraph Recovery Perspective [60.64922606733441]
我々は,関係学習をハイパーグラフリカバリとして形式化する数学的モデルを導入し,基礎モデル(FM)の事前学習について検討する。
我々のフレームワークでは、世界はハイパーグラフとして表現され、データはハイパーエッジからランダムなサンプルとして抽象化される。我々は、このハイパーグラフを復元するための事前学習モデル(PTM)の有効性を理論的に検証し、ミニマックスに近い最適スタイルでデータ効率を解析する。
論文 参考訳（メタデータ） (2024-06-17T06:20:39Z) - Learning Socio-Temporal Graphs for Multi-Agent Trajectory Prediction [22.667895324575824]
本稿では,2対の社会・時間的相互作用を明示的に捉えるために,Socio-Temporal Graph (STG) と呼ぶ指向非巡回グラフ構造を導入する。
軌道予測のためのSTGの構造を学習するためのエンドツーエンドパイプラインを提供するSTGformerというアテンションベースモデルを設計する。
提案手法は,2つの大規模ベンチマークデータセットにおいて,最先端の予測精度を総合的に達成する。
論文 参考訳（メタデータ） (2023-12-22T01:48:09Z) - Modeling the evolution of temporal knowledge graphs with uncertainty [34.54782960535138]
本稿では,事象発生確率の時間的変化をモデル化する新しいグラフニューラルネットワークアーキテクチャ(WGP-NN)を提案する。
2つの実世界のベンチマークデータセット上で、モデルの最先端性能を実証する。
論文 参考訳（メタデータ） (2023-01-12T12:39:22Z) - Masked prediction tasks: a parameter identifiability view [49.533046139235466]
マスク付きトークンの予測に広く用いられている自己教師型学習手法に着目する。
いくつかの予測タスクは識別可能性をもたらすが、他のタスクはそうではない。
論文 参考訳（メタデータ） (2022-02-18T17:09:32Z) - Complex Event Forecasting with Prediction Suffix Trees: Extended
Technical Report [70.7321040534471]
複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。
このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。
複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-01T09:52:31Z) - Causal Discovery in Physical Systems from Videos [123.79211190669821]
因果発見は人間の認知の中心にある。
本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
論文 参考訳（メタデータ） (2020-07-01T17:29:57Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。