論文の概要: ATOM: AdapTive and OptiMized dynamic temporal knowledge graph construction using LLMs

• arxiv url: http://arxiv.org/abs/2510.22590v1
• Date: Sun, 26 Oct 2025 09:10:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.256162
• Title: ATOM: AdapTive and OptiMized dynamic temporal knowledge graph construction using LLMs
• Title（参考訳）: ATOM:LLMを用いた動的時間的知識グラフ構築のためのAdapTiveおよびOptimized動的時間的知識グラフの構築
• Authors: Yassir Lairgi, Ludovic Moncla, Khalid Benabdeslem, Rémy Cazabet, Pierre Cléau,
• Abstract要約: ATOMは、構造化されていないテキストからTKG(Temporal Knowledge Graphs)をビルドし、継続的に更新する。 ATOMは、ベースライン法に比べて18%高い排気率、17%の安定性、90%以上の遅延低減を実現している。
• 参考スコア（独自算出の注目度）: 0.988455728566886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In today's rapidly expanding data landscape, knowledge extraction from unstructured text is vital for real-time analytics, temporal inference, and dynamic memory frameworks. However, traditional static knowledge graph (KG) construction often overlooks the dynamic and time-sensitive nature of real-world data, limiting adaptability to continuous changes. Moreover, recent zero- or few-shot approaches that avoid domain-specific fine-tuning or reliance on prebuilt ontologies often suffer from instability across multiple runs, as well as incomplete coverage of key facts. To address these challenges, we introduce ATOM (AdapTive and OptiMized), a few-shot and scalable approach that builds and continuously updates Temporal Knowledge Graphs (TKGs) from unstructured texts. ATOM splits input documents into minimal, self-contained "atomic" facts, improving extraction exhaustivity and stability. Then, it constructs atomic TKGs from these facts while employing a dual-time modeling that distinguishes when information is observed from when it is valid. The resulting atomic TKGs are subsequently merged in parallel. Empirical evaluations demonstrate that ATOM achieves ~18% higher exhaustivity, ~17% better stability, and over 90% latency reduction compared to baseline methods, demonstrating a strong scalability potential for dynamic TKG construction.
• Abstract（参考訳）: 今日の急成長するデータランドスケープでは、構造化されていないテキストから知識を抽出することは、リアルタイム分析、時間的推論、動的メモリフレームワークにとって不可欠である。 しかし、従来の静的知識グラフ(KG)の構築は、実世界のデータの動的かつ時間に敏感な性質を見落とし、連続的な変化への適応性を制限する。 さらに、ドメイン固有の微調整や事前構築されたオントロジーへの依存を避けるため、最近のゼロまたは少数ショットのアプローチは、複数の実行で不安定になり、キーファクトの完全なカバレッジが不完全な場合が多い。 これらの課題に対処するために、構造化されていないテキストからTKG(Temporal Knowledge Graphs)をビルドし、継続的に更新する、数ショットでスケーラブルなアプローチであるATOM(AdapTive and OptiMized)を紹介します。 ATOMは、入力文書を最小限の自己完結した「原子」事実に分割し、排他性や安定性を改善している。 そして、これらの事実から原子性TKGを構築し、二重時間モデリングを用いて、情報が有効である時と観測された時を区別する。 結果として生じる原子性TKGは、後に平行に結合される。 実験的な評価により、ATOM は ~18% の排気率、 ~17% の安定性、およびベースライン法に比べて90% 以上の遅延低減を実現し、動的TKG 構築のための強力なスケーラビリティの可能性を示している。

関連論文リスト

• STA-GANN: A Valid and Generalizable Spatio-Temporal Kriging Approach [17.906087451522303]
  STA-GAN は (i) シフトのタイムスタンプを感知し、タイムスタンプを検知する分離フェーズ, (ii) 時間的データとメタデータを使用して関係を更新する動的データ駆動グラフモデリング, (iii) 一般化性を保証するための対向移動学習戦略を統合している。
  論文  参考訳（メタデータ） (2025-08-22T07:33:12Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Towards Foundation Model on Temporal Knowledge Graph Reasoning [17.165969719351125]
  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。
  論文  参考訳（メタデータ） (2025-06-04T09:19:49Z)
• 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)
• Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
  時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。 本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。 S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-02-15T06:36:04Z)
• 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)
• 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)
• 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)
• TeMP: Temporal Message Passing for Temporal Knowledge Graph Completion [45.588053447288566]
  時間的知識グラフ(TKGs)に欠落した事実を推測することは、基本的で困難な課題である。 本稿では、グラフニューラルネットワーク、時間力学モデル、データインプット、周波数ベースのゲーティング技術を組み合わせることで、これらの課題に対処するTemporal Message Passing(TeMP)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-07T17:11:53Z)

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。