論文の概要: CID-TKG: Collaborative Historical Invariance and Evolutionary Dynamics Learning for Temporal Knowledge Graph Reasoning

• arxiv url: http://arxiv.org/abs/2604.09600v1
• Date: Mon, 09 Mar 2026 03:28:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.537655
• Title: CID-TKG: Collaborative Historical Invariance and Evolutionary Dynamics Learning for Temporal Knowledge Graph Reasoning
• Title（参考訳）: CID-TKG:時間知識グラフ推論のための協調的歴史的不変性と進化的ダイナミクス学習
• Authors: Shuai-Long Lei, Xiaobin Zhu, Jiarui Liang, Guoxi Sun, Zhiyu Fang, Xu-Cheng Yin,
• Abstract要約: 時間的知識グラフ(TKG)推論は、時間的に進化する実体や関係から、目に見えないタイムスタンプで将来の事実を推測することを目的としている。 本稿では,進化力学と歴史的不変性セマンティクスを推論のための効果的な帰納的バイアスとして統合した,TKGR(dubed CID-TKG)のための新しい協調学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 30.500753683144378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal knowledge graph (TKG) reasoning aims to infer future facts at unseen timestamps from temporally evolving entities and relations. Despite recent progress, existing approaches still suffer from inherent limitations due to their inductive biases, as they predominantly rely on time-invariant or weakly time-dependent structures and overlook the evolutionary dynamics. To overcome this limitation, we propose a novel collaborative learning framework for TKGR (dubbed CID-TKG) that integrates evolutionary dynamics and historical invariance semantics as an effective inductive bias for reasoning. Specifically, CID-TKG constructs a historical invariance graph to capture long-term structural regularities and an evolutionary dynamics graph to model short-term temporal transitions. Dedicated encoders are then employed to learn representations from each structure. To alleviate semantic discrepancies across the two structures, we decompose relations into view-specific representations and align view-specific query representations via a contrastive objective, which promotes cross-view consistency while suppressing view-specific noise. Extensive experiments verify that our CID-TKG achieves state-of-the-art performance under extrapolation settings.
• Abstract（参考訳）: 時間的知識グラフ(TKG)推論は、時間的に進化する実体や関係から、目に見えないタイムスタンプで将来の事実を推測することを目的としている。 最近の進歩にもかかわらず、既存のアプローチは、時間不変または弱い時間依存構造に依存し、進化のダイナミクスを見落としているため、誘導バイアスによる固有の制限に悩まされている。 この制限を克服するために、進化力学と歴史的不変性セマンティクスを推論のための効果的な帰納的バイアスとして統合する、TKGR(dubed CID-TKG)のための新しい協調学習フレームワークを提案する。 具体的には、CID-TKGは、長期構造規則性を捉えるために歴史的不変性グラフと、短期時間遷移をモデル化するために進化力学グラフを構築する。 次に、述語エンコーダを使用して各構造から表現を学習する。 これら2つの構造間のセマンティックな相違を緩和するため、ビュー固有の表現に分解し、コントラッシブな目的によってビュー固有のクエリ表現を調整し、ビュー固有のノイズを抑えながら、ビュー間の整合性を促進する。 我々のCID-TKGは,外挿条件下での最先端性能を実証した。

関連論文リスト

• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• 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)
• Disentangled Multi-span Evolutionary Network against Temporal Knowledge Graph Reasoning [20.195713621340403]
  時間的知識グラフ(TKG)は、時間的特徴を組み込んで、事実がいつ生じたかを記述することによって、知識の透明性を表現する。 本稿では,TKG推論のためのDistangled Multi-Span Evolutionary Network (DiMNet)を提案する。
  論文  参考訳（メタデータ） (2025-05-20T07:22:03Z)
• Learning Multi-graph Structure for Temporal Knowledge Graph Reasoning [3.3571415078869955]
  本稿では,LMS(Learning Multi-graph Structure)に着目した革新的な推論手法を提案する。 LMSは、タイムスタンプに沿って効果的にエンティティ表現をマージするための適応ゲートを組み込んでいる。 また、タイムスタンプのセマンティクスをグラフアテンション計算や時間認識デコーダに統合する。
  論文  参考訳（メタデータ） (2023-12-04T08:23:09Z)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)
• Learning to Sample and Aggregate: Few-shot Reasoning over Temporal Knowledge Graphs [13.230166885504202]
  本稿では,時間的知識グラフ推論という,現実的だが未探索な問題について考察する。 進化するグラフにおける極めて限定的な観測に基づいて、新しい実体の将来の事実を予測することを目的としている。 本稿ではメタ時間知識グラフ推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-16T22:40:33Z)
• An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
  本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。 本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-19T10:15:00Z)
• Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
  Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-05-17T22:02:24Z)
• Temporal Knowledge Graph Reasoning Based on Evolutional Representation Learning [59.004025528223025]
  将来の事実を予測する鍵は、歴史的事実を徹底的に理解することです。 TKGは実際には異なるタイムスタンプに対応するKGのシーケンスである。 グラフ畳み込みネットワーク(GCN)に基づく新しいリカレント進化ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-04-21T05:12:21Z)

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。