論文の概要: LLM-Guided Knowledge Distillation for Temporal Knowledge Graph Reasoning

• arxiv url: http://arxiv.org/abs/2602.14428v1
• Date: Mon, 16 Feb 2026 03:27:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.05877
• Title: LLM-Guided Knowledge Distillation for Temporal Knowledge Graph Reasoning
• Title（参考訳）: 時間的知識グラフ推論のためのLLM誘導知識蒸留
• Authors: Wang Xing, Wei Song, Siyu Lin, Chen Wu, Man Wang,
• Abstract要約: 時間的知識グラフ推論に特化して設計されたLLM支援蒸留フレームワークを提案する。 提案手法は強い蒸留ベースライン上でのリンク予測性能を一貫して改善する。 その結果,資源効率のよいTKGシステムへの時間的推論能力の移譲に有効な教師として,大規模言語モデルの可能性を浮き彫りにした。
• 参考スコア（独自算出の注目度）: 8.96967435213864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal knowledge graphs (TKGs) support reasoning over time-evolving facts, yet state-of-the-art models are often computationally heavy and costly to deploy. Existing compression and distillation techniques are largely designed for static graphs; directly applying them to temporal settings may overlook time-dependent interactions and lead to performance degradation. We propose an LLM-assisted distillation framework specifically designed for temporal knowledge graph reasoning. Beyond a conventional high-capacity temporal teacher, we incorporate a large language model as an auxiliary instructor to provide enriched supervision. The LLM supplies broad background knowledge and temporally informed signals, enabling a lightweight student to better model event dynamics without increasing inference-time complexity. Training is conducted by jointly optimizing supervised and distillation objectives, using a staged alignment strategy to progressively integrate guidance from both teachers. Extensive experiments on multiple public TKG benchmarks with diverse backbone architectures demonstrate that the proposed approach consistently improves link prediction performance over strong distillation baselines, while maintaining a compact and efficient student model. The results highlight the potential of large language models as effective teachers for transferring temporal reasoning capability to resource-efficient TKG systems.
• Abstract（参考訳）: 時間的知識グラフ(TKG)は、時間的進化の事実に対する推論をサポートするが、最先端のモデルは、しばしば計算的に重く、デプロイするのにコストがかかる。 既存の圧縮と蒸留技術は主に静的グラフ用に設計されており、時間に依存した相互作用を見落とし、性能劣化を引き起こす可能性がある。 時間的知識グラフ推論に特化して設計されたLLM支援蒸留フレームワークを提案する。 従来の高能力テンポラル教師以外にも,大規模言語モデルを補助的インストラクターとして組み込んで,充実した指導を行う。 LLMは幅広い背景知識と時間的情報信号を提供し、軽量な学生は推論時間の複雑さを増大させることなくイベントダイナミクスをより良くモデル化することができる。 指導と蒸留の目的を協調的に最適化し、段階的なアライメント戦略を用いて、両教師の指導を段階的に統合することで訓練を行う。 種々のバックボーンアーキテクチャを持つ複数の公開TKGベンチマークの大規模な実験により,提案手法は,コンパクトで効率的な学生モデルを維持しつつ,強い蒸留ベースラインよりもリンク予測性能を一貫して向上することを示した。 その結果,資源効率のよいTKGシステムへの時間的推論能力の移譲に有効な教師として,大規模言語モデルの可能性を浮き彫りにした。

関連論文リスト

• TKG-Thinker: Towards Dynamic Reasoning over Temporal Knowledge Graphs via Agentic Reinforcement Learning [22.089705008812217]
  時間的知識グラフ質問応答(TKGQA)は、時間的知識ベースを活用することで、時間に敏感な質問に答えることを目的としている。 現在のプロンプト戦略は、その効果を2つの主要な方法で制限している。 自律型計画と適応型検索機能を備えた新しいエージェントである textbfTKG-Thinker を提案する。
  論文  参考訳（メタデータ） (2026-02-05T16:08:36Z)
• Knowledge Distillation for Temporal Knowledge Graph Reasoning with Large Language Models [8.46502493796591]
  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意思決定システムの効率性と信頼性の向上に不可欠である。 既存のTKG推論モデルは通常、大きなパラメータサイズと集中的な計算に依存している。 本稿では,時間的知識グラフ推論に適した蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-01T04:38:00Z)
• 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)
• StPR: Spatiotemporal Preservation and Routing for Exemplar-Free Video Class-Incremental Learning [79.44594332189018]
  CIL(Class-Incremental Learning)は、以前取得した知識を使わずに、時間とともに新しいアクションカテゴリを継続的に学習するモデルの開発を目指している。 既存のアプローチでは、メモリとプライバシに関する懸念を忘れたり、あるいは時間的モデリングを無視する静的なイメージベースのメソッドを適用したりする。 本稿では,情報を明示的に切り離して保存する,統一的で非定型なVCILフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-20T06:46:51Z)
• Efficient Multivariate Time Series Forecasting via Calibrated Language Models with Privileged Knowledge Distillation [25.23821206253495]
  TimeKDは、提案したクロスモダリティ教師モデルから高品質な未来表現を生成することを目的としている。 効果的な学生モデルを構築するために,革新的特権的知識蒸留(PKD)機構を提案する。
  論文  参考訳（メタデータ） (2025-05-04T14:57:42Z)
• Learning from Stochastic Teacher Representations Using Student-Guided Knowledge Distillation [64.15918654558816]
  教師表現のフィルタリングと重み付けのための自己蒸留(SSD)訓練戦略を導入し,タスク関連表現のみから抽出する。 UCR Archiveのウェアラブル/バイオサインデータセット、HARデータセット、画像分類データセットなどの実世界の感情コンピューティングに関する実験結果は、提案したSSD手法が最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-04-19T14:08:56Z)
• 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)

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。