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

• arxiv url: http://arxiv.org/abs/2605.04652v1
• Date: Wed, 06 May 2026 08:58:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.735694
• Title: CHE-TKG: Collaborative Historical Evidence and Evolutionary Dynamics Learning for Temporal Knowledge Graph Reasoning
• Title（参考訳）: CHE-TKG:時間知識グラフ推論のための協調的歴史的証拠と進化的ダイナミクス学習
• Abstract要約: 時間的知識グラフ(TKG)推論は、過去の事実から将来の出来事を予測することを目的としている。 CHE-TKGは、TKG推論のための新しいコラボレーティブデュアルビュー学習フレームワークである。
• 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 predict future events from historical facts. A key challenge lies in jointly capturing two sources of predictive information in TKGs: historical evidence and evolutionary dynamics. However, existing methods typically focus on only one of these sources, which limits the ability to fully exploit the complementary predictive signals in TKGs. To address this, we propose CHE-TKG, a novel collaborative dual-view learning framework for TKG reasoning. CHE-TKG explicitly separates and jointly models historical evidence and evolutionary dynamics, aiming to learn and exploit their complementary predictive signals. Specifically, CHE-TKG constructs a historical evidence graph to capture long-term structural regularities and stable relational constraints, alongside an evolutionary dynamics graph to model temporal transitions and recent changes, with dedicated encoders for each view. We further employ relation decomposition and a contrastive alignment objective to better capture the predictive signals across the two views. Extensive experiments demonstrate that CHE-TKG achieves state-of-the-art performance on multiple benchmarks.
• Abstract（参考訳）: 時間的知識グラフ(TKG)推論は、過去の事実から将来の出来事を予測することを目的としている。 重要な課題は、歴史的証拠と進化力学という、TKGの予測情報の2つの情報源を共同で取得することである。 しかし、既存の手法は典型的にはこれらソースの1つにのみ焦点を合わせ、TKGの補完的な予測信号を完全に活用する能力を制限する。 そこで本研究では,TKG推論のための協調的な2視点学習フレームワークであるCHE-TKGを提案する。 CHE-TKGは、それらの補完的な予測信号を学び、活用することを目的として、歴史的証拠と進化力学を明確に分離し、共同でモデル化する。 具体的には、CHE-TKGは、時間遷移と最近の変化をモデル化するための進化力学グラフとともに、長期構造規則性と安定した関係制約をキャプチャするための歴史的エビデンスグラフを構築し、それぞれのビューに専用のエンコーダを備えている。 さらに、相関分解とコントラスト的アライメントの目的を用いて、2つのビューの予測信号をよりよくキャプチャする。 大規模な実験により、CHE-TKGは複数のベンチマークで最先端のパフォーマンスを達成することが示された。

関連論文リスト

• PromptDyG: Test-Time Prompt Adaptation on Dynamic Graphs [97.88691137307723]
  PromptDyGは、教師なしテストタイムのPrompt適応を動的グラフ学習に活用する新しいフレームワークである。 理論的には、この教師なしのプロンプト適応は、正対と負対のより大きな類似性マージンを保証し、より正確な動的予測を促進することが示される。
  論文  参考訳（メタデータ） (2026-06-22T06:54:02Z)
• The Density of Cross-Persistence Diagrams and Its Applications [67.12329106585666]
  トポロジカルデータ分析(TDA)は、クラスタやループ、ヴォイドといったトポロジ的特徴を通じて、データの形状と構造を探索する強力なツールを提供する。 永続化ダイアグラムはTDAの基盤であり、スケールを越えたこれらの機能の進化を捉えています。 最近導入されたクロスパースペンス・ダイアグラム(クロスバーコード)は、2点雲の位相的特徴間の関係を特徴付けることでこの制限に対処する。
  論文  参考訳（メタデータ） (2026-03-12T07:33:15Z)
• CID-TKG: Collaborative Historical Invariance and Evolutionary Dynamics Learning for Temporal Knowledge Graph Reasoning [30.500753683144378]
  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。
  論文  参考訳（メタデータ） (2026-03-09T03:28:57Z)
• 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)
• Historically Relevant Event Structuring for Temporal Knowledge Graph Reasoning [4.705577684291238]
  時間的知識グラフ(TKG)推論は、タイムライン上に配布されたスナップショット内の履歴情報を通じてイベントを予測することに焦点を当てる。 我々は、textbfHistorally textbfRelevant textbfEvents textbfStructuring (HisRES) に対する革新的なTKG推論手法を提案する。
  論文  参考訳（メタデータ） (2024-05-17T08:33:43Z)
• Selective Temporal Knowledge Graph Reasoning [70.11788354442218]
  時間的知識グラフ(TKG)は、与えられた歴史的事実に基づいて将来の事実を予測することを目的としている。 既存のTKG推論モデルは、不確実な予測を控えることができない。 本稿では,既存のモデルが無差別な予測ではなく選択的に行うのに役立つ,TKG推論の棄却機構を提案する。
  論文  参考訳（メタデータ） (2024-04-02T06:56:21Z)
• 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)
• Learning Meta Representations of One-shot Relations for Temporal Knowledge Graph Link Prediction [33.36701435886095]
  近年,静的知識グラフ(KG)のリレーショナル学習が注目されている。 TKGには豊富な時間情報が含まれており、モデリングには時間的推論技術が必要である。 これは、時間的文脈で少数のショットの関係を学ぶ上で大きな課題となる。
  論文  参考訳（メタデータ） (2022-05-21T15:17:52Z)
• Complex Evolutional Pattern Learning for Temporal Knowledge Graph Reasoning [60.94357727688448]
  TKG推論は、歴史的KG配列を考えると、将来の潜在的な事実を予測することを目的としている。 進化のパターンは、長さの多様性と時間変化の2つの側面において複雑である。 本稿では,CEN(Complex Evolutional Network)と呼ばれる新しいモデルを提案する。CNN(Convolutional Neural Network)を用いて,長さの異なる進化パターンを扱う。
  論文  参考訳（メタデータ） (2022-03-15T11:02:55Z)
• 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)
• 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)
• Iterative Graph Self-Distillation [161.04351580382078]
  我々は、IGSD(Iterative Graph Self-Distillation)と呼ばれる新しい教師なしグラフ学習パラダイムを提案する。 IGSDは、グラフ拡張による教師/学生の蒸留を反復的に行う。 我々は,教師なしと半教師なしの両方の設定において,さまざまなグラフデータセットに対して,有意かつ一貫したパフォーマンス向上を実現していることを示す。
  論文  参考訳（メタデータ） (2020-10-23T18:37:06Z)

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。