論文の概要: Inductive Reasoning for Temporal Knowledge Graphs with Emerging Entities

• arxiv url: http://arxiv.org/abs/2604.10164v1
• Date: Sat, 11 Apr 2026 11:23:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.883111
• Title: Inductive Reasoning for Temporal Knowledge Graphs with Emerging Entities
• Title（参考訳）: 時間的知識グラフの創発的推論
• Authors: Ze Zhao, Yuhui He, Lyuwen Wu, Gu Tang, Bin Lu, Xiaoying Gan, Luoyi Fu, Xinbing Wang, Chenghu Zhou,
• Abstract要約: 時間的知識グラフ(TKG)の推論は、将来の事象や時間的な事実を予測する上で不可欠である。 本稿では,意味論的に類似したエンティティから過去のインタラクションシーケンスを活用し,帰納的推論を支援する新しいフレームワークであるTransFIRを提案する。
• 参考スコア（独自算出の注目度）: 54.48612448535698
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reasoning on Temporal Knowledge Graphs (TKGs) is essential for predicting future events and time-aware facts. While existing methods are effective at capturing relational dynamics, their performance is limited by a closed-world assumption, which fails to account for emerging entities not present in the training. Notably, these entities continuously join the network without historical interactions. Empirical study reveals that emerging entities are widespread in TKGs, comprising roughly 25\% of all entities. The absence of historical interactions of these entities leads to significant performance degradation in reasoning tasks. Whereas, we observe that entities with semantic similarities often exhibit comparable interaction histories, suggesting the presence of transferable temporal patterns. Inspired by this insight, we propose TransFIR (Transferable Inductive Reasoning), a novel framework that leverages historical interaction sequences from semantically similar known entities to support inductive reasoning. Specifically, we propose a codebook-based classifier that categorizes emerging entities into latent semantic clusters, allowing them to adopt reasoning patterns from similar entities. Experimental results demonstrate that TransFIR outperforms all baselines in reasoning on emerging entities, achieving an average improvement of 28.6% in Mean Reciprocal Rank (MRR) across multiple datasets. The implementations are available at https://github.com/zhaodazhuang2333/TransFIR.
• Abstract（参考訳）: 時間的知識グラフ(TKG)の推論は、将来の事象や時間的な事実を予測する上で不可欠である。 既存の手法はリレーショナルダイナミクスを捉えるのに有効であるが、それらの性能はクローズドワールドの仮定によって制限される。 特に、これらのエンティティは歴史的相互作用なしにネットワークに継続的に参加する。 実証研究により、新興物質はTKGに広く分布し、全物質の約25%を占めることが明らかとなった。 これらの実体の歴史的相互作用が欠如しているため、推論タスクのパフォーマンスが著しく低下する。 一方、意味的類似性を持つ実体は、しばしば比較可能な相互作用履歴を示し、伝達可能な時間パターンの存在を示唆する。 この知見に触発されたTransferable Inductive Reasoning(Transferable Inductive Reasoning)は,意味論的に類似した既知のエンティティからの履歴相互作用シーケンスを利用して帰納的推論を支援する新しいフレームワークである。 具体的には、新興エンティティを潜在意味クラスタに分類するコードブックベースの分類器を提案し、類似エンティティからの推論パターンを適用できるようにする。 実験の結果、TransFIRは新興企業を推論する上で、すべてのベースラインを上回り、平均相反ランク(MRR)が複数のデータセットで平均28.6%向上していることが示された。 実装はhttps://github.com/zhaodazhuang2333/TransFIRで公開されている。

関連論文リスト

• 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 Granularity Representation for Temporal Knowledge Graph Completion [2.689675451882683]
  時間的知識グラフ(TKG)は、実世界の事実の動的な構造的知識と進化的パターンを反映する時間的情報を含んでいる。 本稿では,TKG 補完のための textbfLearning textbfGranularity textbfRepresentation (termed $mathsfLGRe$) を提案する。 グラニュラリティ・ラーニング(GRL)とアダプティブグラニュラリティ・バランシング(AGB)の2つの主要コンポーネントから構成される。
  論文  参考訳（メタデータ） (2024-08-27T08:19:34Z)
• Beyond Transduction: A Survey on Inductive, Few Shot, and Zero Shot Link Prediction in Knowledge Graphs [2.1485350418225244]
  知識グラフ (KGs) は、異なる意味の意味の関係によって相互に相互に結合するエンティティから構成される。 彼らは本質的に不完全性に悩まされており、すなわち、実体に関する実体や事実が欠落している。 より大きな研究機関は、一般的にリンク予測(英語版) (LP) と呼ばれるKGの欠落情報を完成させることに焦点を当てている。
  論文  参考訳（メタデータ） (2023-12-08T12:13:40Z)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• 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)
• Inductive Knowledge Graph Reasoning for Multi-batch Emerging Entities [22.88552158340435]
  既存のインダクティブな作業は、新しいエンティティがすべてバッチで1度現れていると仮定します。 この研究は、複数のバッチに新しいエンティティが出現する、より現実的で困難な状況に飛び込んでいます。 そこで我々は,新しい環境に適応するための,歩行に基づく帰納的推論モデルを提案する。
  論文  参考訳（メタデータ） (2022-08-22T14:59:19Z)
• Dynamic Relation Discovery and Utilization in Multi-Entity Time Series Forecasting [92.32415130188046]
  多くの現実世界のシナリオでは、実体の間に決定的かつ暗黙的な関係が存在する可能性がある。 本稿では,自動グラフ学習(A2GNN)を用いたマルチグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-18T11:37:04Z)
• 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。