論文の概要: AdaTKG: Adaptive Memory for Temporal Knowledge Graph Reasoning

• arxiv url: http://arxiv.org/abs/2605.07121v1
• Date: Fri, 08 May 2026 01:51:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.732055
• Title: AdaTKG: Adaptive Memory for Temporal Knowledge Graph Reasoning
• Title（参考訳）: AdaTKG: 時間的知識グラフ推論のための適応メモリ
• Authors: Seunghan Lee, Jun Seo, Jaehoon Lee, Sungdong Yoo, Minjae Kim, Tae Yoon Lim, Dongwan Kang, Hwanil Choi, SoonYoung Lee, Wonbin Ahn,
• Abstract要約: 時間知識グラフ(TKG)は、時間スタンプのある事実を表し、幅広い推論タスクをサポートする。 AdaTKGを提案する。AdaTKGは、観測されたすべてのインタラクションで更新されるエンタリティメモリを保守する。 実験はTKGベースラインよりも一貫した利得を確認し、適応メモリの有効性を示す。
• 参考スコア（独自算出の注目度）: 12.754011132549167
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Temporal knowledge graphs (TKGs) represent time-stamped relational facts and support a wide range of reasoning tasks over evolving events. However, existing methods produce entity representations that are static at the entity level, in that each representation is a function of learned parameters only and retains no trace of the interactions in which the entity has participated. In this paper, we depart from this static view and propose that each entity be modeled as an adaptive process whose representation is refined every time the entity participates in a fact. To this end, we propose AdaTKG, which maintains a per-entity memory that is updated with every observed interaction, with the memory accumulating online and predictions improving as more interactions arrive. Specifically, we instantiate the memory update as a learnable exponential moving average governed by a single shared scalar instead of using learnable parameters for each entity, enabling AdaTKG to handle entities unseen during training. Extensive experiments confirm consistent gains over TKG baselines, demonstrating the effectiveness of adaptive memory. Code is publicly available at: https://github.com/seunghan96/AdaTKG.
• Abstract（参考訳）: 時間的知識グラフ(TKG)は、時間スタンプ付きリレーショナルな事実を表し、進化するイベントに対する幅広い推論タスクをサポートする。 しかし、既存のメソッドはエンティティレベルで静的なエンティティ表現を生成し、各表現は学習されたパラメータの関数であり、エンティティが参加した相互作用の痕跡を残さない。 本稿では,この静的な視点から離れ,実体が事実に参加するたびに表現が洗練される適応的なプロセスとして,各実体をモデル化することを提案する。 この目的のために、AdaTKGを提案する。AdaTKGは、観測されたインタラクション毎に更新され、オンラインに蓄積されたメモリと、より多くのインタラクションが到着するにつれて予測が改善される。 具体的には、各エンティティの学習可能なパラメータを使用する代わりに、単一の共有スカラーによって管理される学習可能な指数移動平均としてメモリ更新をインスタンス化し、トレーニング中に見つからないエンティティをAdaTKGが処理できるようにする。 大規模な実験により、TKGベースラインよりも一貫した利得が確認され、適応メモリの有効性が示された。 コードは、https://github.com/seunghan96/AdaTKG.comで公開されている。

関連論文リスト

• Inductive Reasoning for Temporal Knowledge Graphs with Emerging Entities [54.48612448535698]
  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。
  論文  参考訳（メタデータ） (2026-04-11T11:23:05Z)
• Social Hippocampus Memory Learning [54.381608978482184]
  SoHipはメモリ中心のソーシャル機械学習フレームワークだ。 モデル共有ではなく、メモリ共有を通じて異種エージェント間の協調を可能にする。 7つのベースラインを持つ2つのベンチマークデータセットの実験は、SoHipが既存のメソッドを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-26T16:31:00Z)
• Towards Improving Long-Tail Entity Predictions in Temporal Knowledge Graphs through Global Similarity and Weighted Sampling [53.11315884128402]
  時間知識グラフ(TKG)補完モデルは、伝統的にトレーニング中にグラフ全体へのアクセスを前提としている。 本稿では,TKGに特化して設計されたインクリメンタルトレーニングフレームワークを提案する。 提案手法は,モデルに依存しない拡張層と加重サンプリング戦略を組み合わせることで,既存のTKG補完手法を拡張および改善することができる。
  論文  参考訳（メタデータ） (2025-07-25T06:02:48Z)
• 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)
• BCTR: Bidirectional Conditioning Transformer for Scene Graph Generation [5.106261499635623]
  シーングラフ生成(SGG)のためのセマンティックアライメント空間における新しい双方向コンディショニング因数分解法を提案する。 本稿では,双方向コンディショニングトランス (BCTR) を用いたエンド・ツー・エンドシーングラフ生成モデルを提案する。 BCTRは2つの重要なモジュールから構成されている。まず、双方向条件生成装置(BCG)は、エンティティと述語の間で多段階の対話的特徴拡張を行い、これらの予測間の相互強化を可能にする。 第二に、Random Feature Alignment(RFA)は、事前訓練されたモデルからマルチモーダルな知識を蒸留することによって特徴空間を正規化するために存在する。
  論文  参考訳（メタデータ） (2024-07-26T13:02:48Z)
• 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)
• Efficient Global-Local Memory for Real-time Instrument Segmentation of Robotic Surgical Video [53.14186293442669]
  手術器具の知覚における重要な手がかりとして,隣接するフレームからの局所的時間依存性と,長距離における大域的意味的相関があげられる。 本稿では,グローバルとローカルの両方の時間的知識を関連付ける新しいデュアルメモリネットワーク(DMNet)を提案する。 本手法は,実時間速度を維持しながらセグメント化精度を向上する手法である。
  論文  参考訳（メタデータ） (2021-09-28T10:10:14Z)
• 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。