論文の概要: Not All Memories Age the Same: Autodiscovery of Adaptive Decay in Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2604.26970v1
• Date: Wed, 22 Apr 2026 02:32:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.680922
• Title: Not All Memories Age the Same: Autodiscovery of Adaptive Decay in Knowledge Graphs
• Title（参考訳）: すべての記憶が同じであるとは限らない:知識グラフにおける適応的減少の自動発見
• Authors: Mandar Karhade,
• Abstract要約: 既存の時間的アプローチは、知識の種類に関係なく単一の忘れ曲線を用いて、一様減衰を適用する。 異なる知識タイプは異なる時間的ダイナミクスを示す。 本稿では、一様崩壊を2つの普遍信号でパラメータ化した連続減衰面に置き換える階層的枠組みを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graphs used for retrieval treat all facts as equally current. Existing temporal approaches apply uniform decay, using a single forgetting curve regardless of knowledge type. We show this is fundamentally misspecified: different knowledge types exhibit different temporal dynamics, and the core retrieval problem is not latency or throughput but identifying what is important at query time. We propose a hierarchical framework that replaces uniform decay with a continuous decay surface parameterized by two orthogonal signals: velocity (how frequently a concept is observed) and volatility (how much the value changes between observations, measured via embedding distance). The decay surface is decomposed into three learnable levels: domain-level parameters capture universal patterns (some predicates are inherently permanent, others inherently transient), context-level parameters capture setting-dependent variation, and entity-level adaptation personalizes decay to specific subjects. All parameters emerge from data through survival analysis on observed value lifetimes, requiring no predefined taxonomies or domain expertise. We formulate edge lifetime as a survival problem where the event is value supersession (a meaningfully different value replacing the current one), distinct from mere re-observation. Experiments on synthetic temporal knowledge graphs demonstrate recovery of planted hierarchical parameters (HDBSCAN ARI = 1.0). Validation on 107 Wikipedia articles and 1,163 patient records from the Synthea clinical EHR simulator shows that velocity-volatility clusters emerge naturally, align with observable persistence patterns, and near-universally exhibit the Lindy effect (Weibull shape k < 1). Uniform decay performs 18x worse than no temporal weighting. Heterogeneous decay recovers from this, with each hierarchy level contributing measurable improvement.
• Abstract（参考訳）: 検索に使用される知識グラフは、全ての事実を等しく電流として扱う。 既存の時間的アプローチは、知識の種類に関係なく単一の忘れ曲線を用いて、一様減衰を適用する。 異なる知識タイプが異なる時間的ダイナミクスを示し、コア検索問題はレイテンシやスループットではなく、クエリ時に重要なものを特定することだ。 本稿では,一様崩壊を2つの直交信号によってパラメータ化した連続減衰面に置き換える階層的枠組みを提案する。 崩壊面は3つの学習可能なレベルに分解される: ドメインレベルのパラメータは普遍的なパターンをキャプチャし(いくつかの述語は本質的に永続的であるが、他のパラメータは本質的に過渡的である)、コンテキストレベルのパラメータは設定に依存したバリエーションをキャプチャし、エンティティレベルの適応は特定の被験者に減衰をパーソナライズする。 すべてのパラメータは、観測された価値寿命に関する生存分析を通じてデータから発生し、事前に定義された分類学やドメインの専門知識を必要としない。 我々は、イベントが値スーパーセッション(現在のものを置き換える有意義な値)である生存問題としてエッジ寿命を定式化する。 人工時間知識グラフの実験は、植林された階層パラメータ(HDBSCAN ARI = 1.0)の回復を示す。 The Synthea Clinical EHRシミュレータから107のWikipedia記事と1,163の患者記録を検証したところ、ベロシティ・ボラティリティ・クラスターは自然に出現し、観測可能な持続パターンと整合し、ほぼ普遍的にLindy効果(Weibull shape k < 1)を示した。 一様崩壊は時間重み付けよりも18倍悪い。 不均一崩壊はこのことから回復し、それぞれの階層レベルが測定可能な改善に寄与する。

関連論文リスト

• SEED: Spectral Entropy-Guided Evaluation of SpatialTemporal Dependencies for Multivariate Time Series Forecasting [8.507253633170947]
  時空間依存モデリングのためのスペクトルエントロピー誘導評価フレームワークを開発した。 SEEDは各変数の空間的および時間的依存関係を予備評価し、モデルが適応的にチャネル独立(CI)とチャネル依存(CD)戦略のバランスをとることを可能にする。 SEEDは最先端のパフォーマンスを実現し、その有効性と汎用性を検証する。
  論文  参考訳（メタデータ） (2025-12-09T06:18:05Z)
• Structured Temporal Causality for Interpretable Multivariate Time Series Anomaly Detection [1.6111818380407035]
  OracleADは時系列異常検出のための教師なしフレームワークである。 予測誤差と安定遅延構造からの偏差に基づく二重スコアリング機構を用いて異常を同定する。 OracleADは、複数の実世界のデータセットと評価プロトコルにまたがって最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-10-18T13:53:41Z)
• Redundancy-as-Masking: Formalizing the Artificial Age Score (AAS) to Model Memory Aging in Generative AI [0.0]
  人工知能は、時系列ではなく、記憶性能における構造的対称性を通して年齢が観察される。 この現象を捉えるため、AAS(Artificial Age Score)はログスケールのエントロピーインフォームドメトリックとして導入されている。 AASは、穏やかでモデルに依存しない仮定の下で、明確に定義され、境界付けられ、単調であることが証明されている。
  論文  参考訳（メタデータ） (2025-09-24T02:18:27Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• SpaceTime: Causal Discovery from Non-Stationary Time Series [34.39247638413985]
  因果関係を理解することは困難であり、時間や環境によって因果関係を変えることでしばしば複雑になる。 時系列から因果グラフを発見する既存の方法は、定常性を仮定するか、時間的および空間的な分布の変化を許さないか、同じ因果関係を持つ位置を知らないかのいずれかである。 本研究では,非定常マルチコンテキスト設定における因果グラフ発見の3つのタスクを統一する。 本研究では,異なる漁獲量で測定された河川流出や生態系間の生物圏・大気相互作用など,実世界の現象に関する知見を提供する。
  論文  参考訳（メタデータ） (2025-01-17T15:00:20Z)
• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Exploring Diffusion Time-steps for Unsupervised Representation Learning [72.43246871893936]
  拡散時間ステップと隠れ属性を結合する理論的枠組みを構築する。 CelebA、FFHQ、Bedroomのデータセットでは、学習された機能は分類を大幅に改善する。
  論文  参考訳（メタデータ） (2024-01-21T08:35:25Z)

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。