論文の概要: Negative-Aware Diffusion Process for Temporal Knowledge Graph Extrapolation

• arxiv url: http://arxiv.org/abs/2602.08815v1
• Date: Mon, 09 Feb 2026 15:50:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.335415
• Title: Negative-Aware Diffusion Process for Temporal Knowledge Graph Extrapolation
• Title（参考訳）: 時間的知識グラフ外挿における負の認識拡散過程
• Authors: Yanglei Gan, Peng He, Yuxiang Cai, Run Lin, Guanyu Zhou, Qiao Liu,
• Abstract要約: 時間的知識グラフ(TKG)推論は、過去の証拠から将来の行方不明の事実を予測しようとするものである。 TKG外挿(NADEx)の負の認識拡散モデル NADExは、実体、関係、時間間隔の主題中心の履歴をシーケンシャルな埋め込みにエンコードする。
• 参考スコア（独自算出の注目度）: 16.301114199423044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal Knowledge Graph (TKG) reasoning seeks to predict future missing facts from historical evidence. While diffusion models (DM) have recently gained attention for their ability to capture complex predictive distributions, two gaps remain: (i) the generative path is conditioned only on positive evidence, overlooking informative negative context, and (ii) training objectives are dominated by cross-entropy ranking, which improves candidate ordering but provides little supervision over the calibration of the denoised embedding. To bridge this gap, we introduce Negative-Aware Diffusion model for TKG Extrapolation (NADEx). Specifically, NADEx encodes subject-centric histories of entities, relations and temporal intervals into sequential embeddings. NADEx perturbs the query object in the forward process and reconstructs it in reverse with a Transformer denoiser conditioned on the temporal-relational context. We further derive a cosine-alignment regularizer derived from batch-wise negative prototypes, which tightens the decision boundary against implausible candidates. Comprehensive experiments on four public TKG benchmarks demonstrate that NADEx delivers state-of-the-art performance.
• Abstract（参考訳）: 時間的知識グラフ(TKG)推論は、過去の証拠から将来の行方不明の事実を予測しようとするものである。 拡散モデル(DM)は最近、複雑な予測分布を捉える能力に注目されているが、2つのギャップが残っている。 (i)生成経路は、正の証拠、情報的負の文脈を見渡すこと、及び (II) 学習目的はクロスエントロピーランキングが支配的であり, 候補順の改善が図られるが, 演目埋め込みの校正の監督は少ない。 このギャップを埋めるために,TKG外挿法(NADEx)の負認識拡散モデルを導入する。 具体的には、NADExは、実体、関係、時間間隔の主題中心の履歴をシーケンシャルな埋め込みにエンコードする。 NADExは前処理でクエリオブジェクトを摂動させ、時間-リレーショナルコンテキストで条件付けられたTransformer denoiserと逆の再構築を行う。 さらに、バッチ単位の負のプロトタイプから導出されるコサインアライメント正規化器を導出し、不明瞭な候補に対する決定境界を締め付ける。 4つの公開TKGベンチマークに関する総合的な実験は、NADExが最先端のパフォーマンスを提供することを示した。

関連論文リスト

• DynaGen: Unifying Temporal Knowledge Graph Reasoning with Dynamic Subgraphs and Generative Regularization [18.20653307034815]
  時間的知識グラフ推論は、タイムラインに沿って行方不明の事実要素を補完することを目的としている。 既存の方法は通常、個々の事実に時間的情報を埋め込んで、行方不明の歴史的知識を完成させる。 我々はDynaGenと呼ばれるTKGRの統一手法を提案する。
  論文  参考訳（メタデータ） (2025-12-14T12:46:07Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• BayesTTA: Continual-Temporal Test-Time Adaptation for Vision-Language Models via Gaussian Discriminant Analysis [41.09181390655176]
  CLIPのような視覚言語モデル(VLM)は、強いゼロショット認識を実現するが、実世界のシナリオに共通する時空間的な分散シフトの下で大幅に劣化する。 テスト分布が時間とともに徐々に変化するCT-TTA(textitContinal-Temporal Test-Time Adaptation)として、この実践的問題を定式化する。 我々は、時間的に一貫した予測を実行し、視覚表現を動的に調整する、ベイズ適応フレームワークであるtextitBayesTTAを提案する。
  論文  参考訳（メタデータ） (2025-07-11T14:02:54Z)
• TIMING: Temporality-Aware Integrated Gradients for Time Series Explanation [30.866780156914512]
  従来の統合勾配(IG)は、予測に正と負の両方の影響のある臨界点を効果的に捉える。 これらの課題を克服するために、TIMingを導入し、その理論的特性を維持しながら時間的認識を取り入れてIGを強化する。
  論文  参考訳（メタデータ） (2025-06-05T13:40:40Z)
• Generative Regression Based Watch Time Prediction for Short-Video Recommendation [36.95095097454143]
  短いビデオレコメンデーションシステムでは、時計の時間予測が重要なタスクとして現れている。 最近の研究は、連続時計時間推定を正規回帰タスクに変換することによって、これらの問題に対処しようとしている。 本稿では,WTPをシーケンス生成タスクとして再構成する新しい生成回帰(GR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-28T16:48:55Z)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Extracting or Guessing? Improving Faithfulness of Event Temporal Relation Extraction [87.04153383938969]
  本研究では,TempRel抽出モデルの忠実度を2つの観点から改善する。 第1の視点は、文脈記述に基づいて真に抽出することである。 第2の視点は、適切な不確実性評価を提供することである。
  論文  参考訳（メタデータ） (2022-10-10T19:53:13Z)

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。