論文の概要: Toward Better Temporal Structures for Geopolitical Events Forecasting

• arxiv url: http://arxiv.org/abs/2601.00430v1
• Date: Thu, 01 Jan 2026 18:45:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.446198
• Title: Toward Better Temporal Structures for Geopolitical Events Forecasting
• Title（参考訳）: 地政学的イベント予測のための時間構造改善に向けて
• Authors: Kian Ahrabian, Eric Boxer, Jay Pujara,
• Abstract要約: 我々は、HTKGs, Hyper-lational Temporal Knowledge Generalized Hypergraphs(HTKGHs)の一般化について研究する。 我々はまず,HTKGHsの形式化を導き,その後方互換性を実証するとともに,地政学的事件でよく見られる2つの複雑な事実を支持した。 次に、グローバルイベントデータベースPOLECAT上に構築されたhtkgh-polecatデータセットを紹介します。
• 参考スコア（独自算出の注目度）: 13.690434458053765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting on geopolitical temporal knowledge graphs (TKGs) through the lens of large language models (LLMs) has recently gained traction. While TKGs and their generalization, hyper-relational temporal knowledge graphs (HTKGs), offer a straightforward structure to represent simple temporal relationships, they lack the expressive power to convey complex facts efficiently. One of the critical limitations of HTKGs is a lack of support for more than two primary entities in temporal facts, which commonly occur in real-world events. To address this limitation, in this work, we study a generalization of HTKGs, Hyper-Relational Temporal Knowledge Generalized Hypergraphs (HTKGHs). We first derive a formalization for HTKGHs, demonstrating their backward compatibility while supporting two complex types of facts commonly found in geopolitical incidents. Then, utilizing this formalization, we introduce the htkgh-polecat dataset, built upon the global event database POLECAT. Finally, we benchmark and analyze popular LLMs on the relation prediction task, providing insights into their adaptability and capabilities in complex forecasting scenarios.
• Abstract（参考訳）: 近年,大規模言語モデル (LLM) のレンズによる地政学的時間知識グラフ (TKG) の予測が注目を集めている。 TKGとその一般化であるハイパーリレーショナル時間知識グラフ(HTKG)は、単純な時間的関係を表す単純な構造を提供するが、複雑な事実を効率的に伝達する表現力は欠如している。 HTKGの限界の1つは、時間的事実において2つ以上の主要な実体がサポートされていないことである。 そこで本研究では,HTKGs,Hyper-Relational Temporal Knowledge Generalized Hypergraphs(HTKGHs)の一般化について検討する。 我々はまず,HTKGHsの形式化を導き,その後方互換性を実証するとともに,地政学的事件でよく見られる2つの複雑な事実を支持した。 そして、この形式化を利用して、グローバルイベントデータベースPOLECAT上に構築されたhtkgh-polecatデータセットを紹介します。 最後に、関係予測タスクにおいて、人気のあるLCMをベンチマークし分析し、複雑な予測シナリオにおける適応性と能力に関する洞察を提供する。

関連論文リスト

• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• CognTKE: A Cognitive Temporal Knowledge Extrapolation Framework [28.9250547012577]
  認知科学におけるデュアルプロセス理論に動機付け,textbfCognitive textbfTemporal textbfKnowledge textbfExtrapolation framework(CognTKE)を提案する。 CognTKEは、新しい時間的認知関係指向グラフ(TCR-Digraph)を導入し、TCR-Digraph上で解釈可能なグローバルな浅層推論と局所的な深部推論を行う。 4つのベンチマークデータセットの実験結果から、CognTKEは現状と比較して精度が大幅に向上していることが示された。
  論文  参考訳（メタデータ） (2024-12-21T09:50:55Z)
• UniHR: Hierarchical Representation Learning for Unified Knowledge Graph Link Prediction [59.84402324458322]
  実世界の知識グラフ(英語版) (KGs) は標準的な三つの事実だけでなく、より複雑で異種な事実も含んでいる。 ハイパーリレーショナルKG,時間的KG,ネストした事実KGを3次元表現に統一する学習フレームワークであるUniHRを提案する。 5種類のKGにまたがる9つのデータセットの実験は、UniHRの有効性を示し、統一表現の強い可能性を強調している。
  論文  参考訳（メタデータ） (2024-11-11T14:22:42Z)
• 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)
• Large Language Models-guided Dynamic Adaptation for Temporal Knowledge Graph Reasoning [87.10396098919013]
  大規模言語モデル (LLM) は、時間的推論において広範な知識と卓越した能力を示した。 本稿では,時間的知識グラフに基づく推論のためのLarge Language Models-Guided Dynamic Adaptation (LLM-DA)法を提案する。 LLM-DAは、歴史的データを解析し、時間的論理規則を抽出するLLMの機能を利用する。
  論文  参考訳（メタデータ） (2024-05-23T04:54:37Z)
• GenTKG: Generative Forecasting on Temporal Knowledge Graph with Large Language Models [35.594662986581746]
  大規模言語モデル (LLM) は、従来の埋め込みベースおよびルールベースの手法が支配する時間的知識グラフ (tKG) 領域に関心を抱いている。 本稿では、時間的論理ルールに基づく検索戦略と、パラメータ効率の少ない命令チューニングを組み合わせた、GenTKGという新しい検索拡張生成フレームワークを提案する。 実験により、GenTKGは計算資源の少ない時間的関係予測法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-10-11T18:27:12Z)
• T-GAP: Learning to Walk across Time for Temporal Knowledge Graph Completion [13.209193437124881]
  時間的知識グラフ(TKG)は、静的知識グラフとは対照的に、本質的に現実世界の知識の過渡的な性質を反映している。 エンコーダとデコーダにおける時間情報とグラフ構造の両方を最大限に活用するTKG補完の新しいモデルであるT-GAPを提案する。 本実験は、T-GAPが最先端のベースラインに対する優れた性能を達成し、目に見えないタイムスタンプによるクエリに有能に一般化することを示す。
  論文  参考訳（メタデータ） (2020-12-19T04:45:32Z)

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。