論文の概要: Towards Better Evolution Modeling for Temporal Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2602.08353v1
• Date: Mon, 09 Feb 2026 07:37:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.112271
• Title: Towards Better Evolution Modeling for Temporal Knowledge Graphs
• Title（参考訳）: 時間的知識グラフの進化モデル化に向けて
• Authors: Zhang Jiasheng, Li Zhangpin, Wang Mingzhe, Shao Jie, Cui Jiangtao, Li Hui,
• Abstract要約: 時間的知識グラフ(TKG)は、人間の知識の進化を保存している。 最近の研究は、将来の事実を予測するため、TKGの進化的性質を学ぶためのモデルの設計に焦点を当てている。 既存のベンチマークは必然的にショートカットを導入しています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal knowledge graphs (TKGs) structurally preserve evolving human knowledge. Recent research has focused on designing models to learn the evolutionary nature of TKGs to predict future facts, achieving impressive results. For instance, Hits@10 scores over 0.9 on YAGO dataset. However, we find that existing benchmarks inadvertently introduce a shortcut. Near state-of-the-art performance can be simply achieved by counting co-occurrences, without using any temporal information. In this work, we examine the root cause of this issue, identifying inherent biases in current datasets and over simplified form of evaluation task that can be exploited by these biases. Through this analysis, we further uncover additional limitations of existing benchmarks, including unreasonable formatting of time-interval knowledge, ignorance of learning knowledge obsolescence, and insufficient information for precise evolution understanding, all of which can amplify the shortcut and hinder a fair assessment. Therefore, we introduce the TKG evolution benchmark. It includes four bias-corrected datasets and two novel tasks closely aligned with the evolution process, promoting a more accurate understanding of the challenges in TKG evolution modeling. Benchmark is available at: https://github.com/zjs123/TKG-Benchmark.
• Abstract（参考訳）: 時間的知識グラフ(TKG)は、進化する人間の知識を構造的に保存する。 最近の研究では、将来の事実を予測するためにTKGの進化的な性質を学ぶためのモデルの設計に焦点が当てられ、印象的な結果が得られている。 例えば、Hits@10はYAGOデータセットで0.9以上スコアします。 しかし、既存のベンチマークは必然的にショートカットを導入している。 最先端に近い性能は、時間的情報を用いることなく、同時発生を数えることによって簡単に達成できる。 本研究では,この問題の根本原因を解明し,現在のデータセットに固有のバイアスを同定し,これらのバイアスを活用可能な簡易な評価タスクを提案する。 この分析により、時間外知識の適当なフォーマット化、学習知識の陳腐化の無知、正確な進化理解のための不十分な情報など、既存のベンチマークのさらなる制限が明らかになり、これらすべてがショートカットを増幅し、公正な評価を妨げる。 そこで本研究では,TKG進化ベンチマークを紹介する。 4つのバイアス補正データセットと、2つの新しいタスクが進化過程と密接に一致し、TKG進化モデリングの課題をより正確に理解する。 ベンチマークは、https://github.com/zjs123/TKG-Benchmarkで利用可能である。

関連論文リスト

• Towards Improving Long-Tail Entity Predictions in Temporal Knowledge Graphs through Global Similarity and Weighted Sampling [53.11315884128402]
  時間知識グラフ(TKG)補完モデルは、伝統的にトレーニング中にグラフ全体へのアクセスを前提としている。 本稿では,TKGに特化して設計されたインクリメンタルトレーニングフレームワークを提案する。 提案手法は,モデルに依存しない拡張層と加重サンプリング戦略を組み合わせることで,既存のTKG補完手法を拡張および改善することができる。
  論文  参考訳（メタデータ） (2025-07-25T06:02:48Z)
• Knowledge Graph Enhanced Generative Multi-modal Models for Class-Incremental Learning [51.0864247376786]
  学習過程を通じて進化する知識グラフを構築する知識グラフ強化多モードモデル(KG-GMM)を導入する。 テスト中,生成されたテキスト内の関係を解析し,特定のカテゴリを特定する知識グラフ拡張推論手法を提案する。
  論文  参考訳（メタデータ） (2025-03-24T07:20:43Z)
• 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)
• A Survey on Temporal Knowledge Graph Completion: Taxonomy, Progress, and Prospects [73.44022660932087]
  時間的特性は、かなりの量の知識で顕著に明らかである。 新たな知識の継続的な出現、構造化されていないデータから構造化された情報を抽出するアルゴリズムの弱点、ソースデータセットにおける情報の欠如を引用する。 TKGC(Temporal Knowledge Graph Completion)のタスクは、利用可能な情報に基づいて行方不明アイテムを予測することを目的として、注目を集めている。
  論文  参考訳（メタデータ） (2023-08-04T16:49:54Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• MetaTKG: Learning Evolutionary Meta-Knowledge for Temporal Knowledge Graph Reasoning [23.690981770829282]
  本稿では,TKG推論のための時間的メタラーニングフレームワークMetaTKGを提案する。 具体的には、TKG予測を多くの時間的メタタスクとみなし、設計した時間的メタラーナーを用いて、これらのメタタスクから進化的メタ知識を学習する。 提案手法は,学習したメタ知識によって,将来的なデータに迅速に適応し,ほとんど歴史情報を持たないエンティティに対処するために,バックボーンを指導することを目的としている。
  論文  参考訳（メタデータ） (2023-02-02T05:55:41Z)
• A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal [57.8455911689554]
  知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。 質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
  論文  参考訳（メタデータ） (2022-12-12T08:40:04Z)
• Complex Evolutional Pattern Learning for Temporal Knowledge Graph Reasoning [60.94357727688448]
  TKG推論は、歴史的KG配列を考えると、将来の潜在的な事実を予測することを目的としている。 進化のパターンは、長さの多様性と時間変化の2つの側面において複雑である。 本稿では,CEN(Complex Evolutional Network)と呼ばれる新しいモデルを提案する。CNN(Convolutional Neural Network)を用いて,長さの異なる進化パターンを扱う。
  論文  参考訳（メタデータ） (2022-03-15T11:02:55Z)
• TIE: A Framework for Embedding-based Incremental Temporal Knowledge Graph Completion [37.76140466390048]
  時間的知識グラフ(TKG)の推論は、情報検索と意味検索にとって重要なタスクです。 近年のTKGコンプリート(TKGC)は,エンコーダデコーダフレームワークをタイムアウェアな符号化関数で拡張することによって実現されている。 本稿では,TKG表現学習,経験再現,時間正規化を組み合わせたTIE(Time-Aware Incremental Embedding)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-17T01:40:46Z)
• Tucker decomposition-based Temporal Knowledge Graph Completion [35.56360622521721]
  次数4テンソルのタッカー分解にインスパイアされた時間知識グラフ補完のための新しいテンソル分解モデルを構築する。 提案モデルは完全に表現力のあるモデルであることが実証され、いくつかの公開ベンチマークに対して最先端の結果が報告される。
  論文  参考訳（メタデータ） (2020-11-16T07:05:52Z)

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。