論文の概要: Bridging Graph Structure and Knowledge-Guided Editing for Interpretable Temporal Knowledge Graph Reasoning
- arxiv url: http://arxiv.org/abs/2601.21978v1
- Date: Thu, 29 Jan 2026 16:55:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-30 16:22:50.014563
- Title: Bridging Graph Structure and Knowledge-Guided Editing for Interpretable Temporal Knowledge Graph Reasoning
- Title（参考訳）: 時間的知識グラフ推論のためのブリッジンググラフ構造と知識誘導編集
- Authors: Shiqi Fan, Quanming Yao, Hongyi Nie, Wentao Ma, Zhen Wang, Wen Hua,
- Abstract要約: 時間的知識グラフ推論は、行方不明なエンティティを動的知識構造で推論することで、将来の事象を予測することを目的としている。
既存のLLMベースの推論手法は、動的グラフから関連する部分グラフを抽出するのに苦労して、構造的関係よりも文脈的を優先する。
グラフニューラルネットワーク(GNN)の構造的時間モデリング機能とLLMの文脈的理解を組み合わせたハイブリッド推論フレームワークIGETRを提案する。
- 参考スコア（独自算出の注目度）: 41.47899305706817
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Temporal knowledge graph reasoning (TKGR) aims to predict future events by inferring missing entities with dynamic knowledge structures. Existing LLM-based reasoning methods prioritize contextual over structural relations, struggling to extract relevant subgraphs from dynamic graphs. This limits structural information understanding, leading to unstructured, hallucination-prone inferences especially with temporal inconsistencies. To address this problem, we propose IGETR (Integration of Graph and Editing-enhanced Temporal Reasoning), a hybrid reasoning framework that combines the structured temporal modeling capabilities of Graph Neural Networks (GNNs) with the contextual understanding of LLMs. IGETR operates through a three-stage pipeline. The first stage aims to ground the reasoning process in the actual data by identifying structurally and temporally coherent candidate paths through a temporal GNN, ensuring that inference starts from reliable graph-based evidence. The second stage introduces LLM-guided path editing to address logical and semantic inconsistencies, leveraging external knowledge to refine and enhance the initial paths. The final stage focuses on integrating the refined reasoning paths to produce predictions that are both accurate and interpretable. Experiments on standard TKG benchmarks show that IGETR achieves state-of-the-art performance, outperforming strong baselines with relative improvements of up to 5.6% on Hits@1 and 8.1% on Hits@3 on the challenging ICEWS datasets. Additionally, we execute ablation studies and additional analyses confirm the effectiveness of each component.
- Abstract（参考訳）: 時間的知識グラフ推論(TKGR)は、行方不明なエンティティを動的知識構造で推論することで、将来の事象を予測することを目的としている。
既存のLLMベースの推論手法は、動的グラフから関連する部分グラフを抽出するのに苦労して、構造的関係よりも文脈的を優先する。
これにより構造的情報理解が制限され、特に時間的不整合を伴う非構造的幻覚が引き起こされる。
この問題を解決するために,グラフニューラルネットワーク(GNN)の構造的時間的モデリング機能とLLMの文脈的理解を組み合わせたハイブリッド推論フレームワークであるIGETR(Integration of Graph and Editing-enhanced Temporal Reasoning)を提案する。
IGETRは3段階のパイプラインを介して動作する。
第1段階は、時間的GNNを通して構造的および時間的整合性のある候補経路を同定し、信頼できるグラフベースの証拠から推論を開始することを目的としている。
第2段階では論理的および意味的不整合に対処するためにLLM誘導経路編集を導入し、外部知識を活用して初期経路を洗練・拡張する。
最終段階は、正確かつ解釈可能な予測を生成するために洗練された推論経路を統合することに焦点を当てている。
標準のTKGベンチマークの実験によると、IGETRは最先端のパフォーマンスを達成し、Hits@1では5.6%、Hits@3では8.1%という高いベースラインを達成している。
さらに, アブレーション研究を行い, 追加分析により各成分の有効性を確認した。
関連論文リスト
- G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。
最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。
G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
論文 参考訳（メタデータ） (2025-09-29T04:38:12Z) - GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。
抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。
提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
論文 参考訳（メタデータ） (2025-09-20T02:38:00Z) - Time-Aware and Transition-Semantic Graph Neural Networks for Interpretable Predictive Business Process Monitoring [6.125909573003906]
本稿では,3つのキー軸に沿って芸術の状態を前進させる統一的,解釈可能なGNNフレームワークを提案する。
まず,プレフィックスベースグラフ畳み込みネットワーク(GCNs)とフルトレースグラフ注意ネットワーク(GATs)を比較し,局所モデリングとグローバルモデリングのパフォーマンスギャップを定量化する。
第2に,動的で予測中心の窓を構成する新しい時間減衰注意機構を導入する。
第三に、遷移型セマンティクスをエッジ特徴に組み込んで、構造的不明瞭なトレースに対してきめ細かい推論を可能にする。
論文 参考訳（メタデータ） (2025-08-13T06:21:42Z) - Context Pooling: Query-specific Graph Pooling for Generic Inductive Link Prediction in Knowledge Graphs [55.918039693545616]
本稿では,知識グラフにおけるリンク予測に対するGNNモデルの有効性を高めるために,コンテキストプーリングという新しい手法を提案する。
提案手法は,3つのパブリック・トランスダクティブおよびインダクティブ・データセット上の2つの最先端(SOTA)モデルに適用することにより,汎用的評価を行う。
論文 参考訳（メタデータ） (2025-07-10T09:54:37Z) - Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。
既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。
近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。
KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
論文 参考訳（メタデータ） (2025-06-11T12:03:52Z) - RECIPE-TKG: From Sparse History to Structured Reasoning for LLM-based Temporal Knowledge Graph Completion [3.680772033409751]
時間的知識グラフ(TKG)は、実体間のタイムスタンプ付き関係として動的事実を表す。
重要かつ軽量でデータ効率のよいフレームワークであるRECIPE-TKGを導入する。
論文 参考訳（メタデータ） (2025-05-23T12:11:40Z) - Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。
提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。
これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
論文 参考訳（メタデータ） (2024-09-09T12:56:02Z) - G-SAP: Graph-based Structure-Aware Prompt Learning over Heterogeneous Knowledge for Commonsense Reasoning [8.02547453169677]
本稿では,G-SAP という名称のコモンセンス推論のためのグラフベース構造認識プロンプト学習モデルを提案する。
特にエビデンスグラフは、ConceptNet、Wikipedia、Cambridge Dictionaryといった複数の知識ソースを統合することで構築される。
その結果、既存のモデル、特にOpenbookQAデータセット上のSoTA LM+GNNsモデルよりも6.12%改善された。
論文 参考訳（メタデータ） (2024-05-09T08:28:12Z) - Structured Sparse R-CNN for Direct Scene Graph Generation [16.646937866282922]
本稿では,構造スパースR-CNN(Structured Sparse R-CNN)と呼ばれる,単純な,疎結合で統一された関係検出フレームワークを提案する。
提案手法の鍵となるのは,学習可能な三重項クエリと構造化三重項検出器のセットである。
我々は,ビジュアルゲノムとオープンイメージの2つのベンチマークで実験を行い,本手法が最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2021-06-21T02:24:20Z)
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。