Fugu-MT 論文翻訳(概要): CountTRuCoLa: Rule Confidence Learning for Temporal Knowledge Graph Forecasting

論文の概要: CountTRuCoLa: Rule Confidence Learning for Temporal Knowledge Graph Forecasting

arxiv url: http://arxiv.org/abs/2509.09474v1
Date: Thu, 11 Sep 2025 13:56:21 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-12 16:52:24.414138
Title: CountTRuCoLa: Rule Confidence Learning for Temporal Knowledge Graph Forecasting
Title（参考訳）: CountTRuCoLa: 時間的知識グラフ予測のためのルール信頼学習
Authors: Julia Gastinger, Christian Meilicke, Heiner Stuckenschmidt,
Abstract要約: 本稿では,時間的知識グラフ(TKG)予測のための完全説明可能な手法を提案する。提案手法は,信頼度と周波数の両方を考慮した4種類の規則を学習する。 9つのデータセットから評価し、我々の手法は8つの最先端モデルと2つのベースラインのパフォーマンスを一致または上回る。
参考スコア（独自算出の注目度）: 14.588655767564125
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We address the task of temporal knowledge graph (TKG) forecasting by introducing a fully explainable method based on temporal rules. Motivated by recent work proposing a strong baseline using recurrent facts, our approach learns four simple types of rules with a confidence function that considers both recency and frequency. Evaluated on nine datasets, our method matches or surpasses the performance of eight state-of-the-art models and two baselines, while providing fully interpretable predictions.
Abstract（参考訳）: 本稿では,時間的ルールに基づく完全に説明可能な手法を導入することで,時間的知識グラフ(TKG)予測の課題に対処する。提案手法は, 信頼度関数と信頼度関数を併用した4種類の規則を学習し, 信頼度と周波数を両立させる。 9つのデータセットから評価すると,本手法は8つの最先端モデルと2つのベースラインのパフォーマンスに一致し,完全に解釈可能な予測を提供する。

関連論文リスト

Mixture Policy based Multi-Hop Reasoning over N-tuple Temporal Knowledge Graphs [67.52353093086151]
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。
論文参考訳（メタデータ） (2025-05-19T07:20:33Z)
History repeats Itself: A Baseline for Temporal Knowledge Graph Forecasting [10.396081172890025]
時間的知識グラフ (TKG) 予測は、知識グラフの歴史に基づいた将来の時間ステップのための知識グラフのリンクを予測することを目的としている。本稿では,繰り返し発生する事象を予測したTKG予測のための直感的なベースラインを設計することを提案する。
論文参考訳（メタデータ） (2024-04-25T16:39:32Z)
TILP: Differentiable Learning of Temporal Logical Rules on Knowledge Graphs [16.073958323560174]
時間的論理規則学習のための差別化可能なフレームワークであるTILPを提案する。本稿では、tKGにおける時間的特徴モデリング、例えば、再発、時間的秩序、一対の関係と期間の間隔、および学習過程に組み込んだ時間的特徴モデリングを提案する。提案するフレームワークは,解釈可能な結果を提供しながら,ベースライン手法の性能を向上させることができることを示す。
論文参考訳（メタデータ） (2024-02-19T17:30:44Z)
Faithful Explanations of Black-box NLP Models Using LLM-generated Counterfactuals [67.64770842323966]
NLPシステムの予測に関する因果的説明は、安全性を確保し、信頼を確立するために不可欠である。既存の手法は、しばしばモデル予測を効果的または効率的に説明できない。本稿では, 対物近似(CF)の2つの手法を提案する。
論文参考訳（メタデータ） (2023-10-01T07:31:04Z)
NeuSTIP: A Novel Neuro-Symbolic Model for Link and Time Prediction in Temporal Knowledge Graphs [13.442923127130806]
本稿では,時間的知識グラフにおけるリンク予測と時間間隔予測を行う新しい時間的ニューロシンボリックモデルNeuSTIPを提案する。 NeuSTIPは、隣接する述語間の時間的一貫性を保証するアレン述語の存在下で時間的規則を学習する。 2つの時間間隔に基づくデータセットに対する実験的な評価は、リンク予測と時間間隔予測の両方において、我々のモデルが最先端のモデルより優れていることを示唆している。
論文参考訳（メタデータ） (2023-05-15T13:46:34Z)
TimeTraveler: Reinforcement Learning for Temporal Knowledge Graph Forecasting [12.963769928056253]
本稿では,予測のための最初の強化学習手法を提案する。具体的には,エージェントが過去の知識グラフのスナップショットを旅して回答を検索する。提案手法は,タイムパン情報を取得するための相対時間符号化関数を定義し,ディリクレ分布に基づく新たな時間型報酬を設計し,モデル学習を指導する。我々は,このリンク予測タスクを将来のタイムスタンプで評価する。
論文参考訳（メタデータ） (2021-09-09T08:41:01Z)
Co$^2$L: Contrastive Continual Learning [69.46643497220586]
近年の自己教師型学習のブレークスルーは、このようなアルゴリズムが視覚的な表現を学習し、見えないタスクにもっとうまく移行できることを示している。本稿では、連続的な学習と伝達可能な表現の維持に焦点を当てたリハーサルに基づく連続学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-06-28T06:14:38Z)
Exploring the Limits of Few-Shot Link Prediction in Knowledge Graphs [49.6661602019124]
数発のリンク予測を行うため,本手法の現況を一般化したモデルスペクトルについて検討する。単純なゼロショットベースライン – 関係性固有の情報を無視する – が驚くほど高いパフォーマンスを実現しているのが分かります。慎重に構築された合成データセットの実験では、関係の例がいくつかあるだけで、モデルがきめ細かな構造情報を使用するのを基本的に制限することが示されている。
論文参考訳（メタデータ） (2021-02-05T21:04:31Z)
CoinDICE: Off-Policy Confidence Interval Estimation [107.86876722777535]
強化学習における高信頼行動非依存のオフ政治評価について検討する。様々なベンチマークにおいて、信頼区間推定が既存の手法よりも厳密で精度が高いことが示されている。
論文参考訳（メタデータ） (2020-10-22T12:39:11Z)

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。