論文の概要: Strikingness-Aware Evaluation for Temporal Knowledge Graph Reasoning

• arxiv url: http://arxiv.org/abs/2605.13153v1
• Date: Wed, 13 May 2026 08:17:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.903927
• Title: Strikingness-Aware Evaluation for Temporal Knowledge Graph Reasoning
• Title（参考訳）: 時間的知識グラフ推論のためのストライクネス・アウェア評価
• Authors: Rikui Huang, Shengzhe Zhang, Wei Wei,
• Abstract要約: 本稿では,事象の発声度を定量的に評価するための特徴量評価フレームワークを提案する。 その後、重み付け係数として重み付けされたMRRやHits@kのようなメトリクスに統合される。 我々のフレームワークはより厳密な評価を提供し、卓越した事象を予測する分野を再考する。
• 参考スコア（独自算出の注目度）: 10.153165023734532
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal Knowledge Graph Reasoning (TKGR) aims at inferring missing (especially future) events from historical data. Current evaluation in TKGR uniformly weights all events, ignoring that most are trivial repetitions, which overestimate the true reasoning ability. Therefore, the rare outstanding events, whose prediction demands deeper reasoning, should be distinguished and emphasized. To this end, we propose a strikingness-aware evaluation framework, which introduces a rule-based strikingness measuring framework (RSMF) to quantify event strikingness by comparing its expected occurrence with peer events derived from temporal rules. Strikingness is then integrated as a weighting factor into metrics like weighted MRR and Hits@k. Experiments on four TKG benchmarks reveal: 1) All representative models perform worse as event strikingness increases, 2) Path-based methods excel on low-strikingness events and representation-based ones on high-strikingness events, 3) We design an ensemble method whose gains stem from fitting trivial events rather than reasoning improvement. Our framework provides a more rigorous evaluation, refocusing the field on predicting outstanding events.
• Abstract（参考訳）: 時間知識グラフ推論(TKGR)は、過去のデータから行方不明(特に将来)事象を推測することを目的としている。 TKGRの現在の評価は全ての事象を均一に重み付け、そのほとんどは自明な反復であり、真の推論能力を過大に見積もっていることを無視している。 したがって、予測がより深い推論を要求する稀なイベントを区別し、強調すべきである。 そこで本稿では,時間的ルールから得られたピアイベントと比較することで,事象の衝撃度を定量化するためのルールベースの衝撃性測定フレームワーク(RSMF)を提案する。 その後、重み付け係数として重み付けされたMRRやHits@kのようなメトリクスに統合される。 4つのTKGベンチマークの実験結果が明らかになりました。 1)全ての代表モデルは、事象の衝撃が増加するにつれて悪化する。 2)経路に基づく手法は,低ストライク性事象と高ストライク性事象の表現に基づく事象に優れる。 3) 改良を推し進めるのではなく, 自明な事象に収まることから得られるアンサンブル法を設計する。 我々のフレームワークはより厳密な評価を提供し、卓越した事象を予測する分野を再考する。

関連論文リスト

• E.M.Ground: A Temporal Grounding Vid-LLM with Holistic Event Perception and Matching [87.38371267983263]
  時間的ビデオグラウンディングは、クエリイベントに対応する時間セグメントを正確にローカライズすることを目的としている。 E.M.GroundはTVGのための新しいVid-LLMで、総合的で一貫性のあるイベント知覚に焦点を当てている。 E.M.Ground は最先端の Vid-LLM を著しく上回っている。
  論文  参考訳（メタデータ） (2026-02-05T02:16:00Z)
• Causal Graph based Event Reasoning using Semantic Relation Experts [56.328115024900725]
  本稿では,大規模言語モデル(LLM)が推論中の因果関係を明確に表現するための並列メカニズムとして,因果事象グラフの生成について検討する。 LLMを用いて特定の意味関係に着目した専門家をシミュレートする因果グラフ生成のための協調的アプローチを提案する。 また、説明にイベントの因果連鎖を必要とする、説明可能なイベント予測タスクも導入する。
  論文  参考訳（メタデータ） (2025-06-07T20:15:45Z)
• AMCEN: An Attention Masking-based Contrastive Event Network for Two-stage Temporal Knowledge Graph Reasoning [29.68279984719722]
  時間的知識グラフ(TKG)は、現実世界の知識の進化する性質を効果的にモデル化することができ、その完全性と拡張は、既存の知識から新しい事象を推論することで達成できる。 しかし、推論精度はデータセットにおける新しいイベントと繰り返されるイベントの間に不均衡があるため、悪影響を及ぼす。 本研究では,今後の事象の2段階予測のために,局所的な時間的パターンを持つ注意マスキングに基づくコントラストイベントネットワーク(AMCEN)を提案する。
  論文  参考訳（メタデータ） (2024-05-16T01:39:50Z)
• 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)
• Logic and Commonsense-Guided Temporal Knowledge Graph Completion [9.868206060374991]
  時間的知識グラフ(TKG)は、時間を含むデータから派生した事象を記憶する。 本稿では,時系列やイベントの因果性を含む時間依存表現を協調的に学習するためのLCGE(Logic and Commonsense-Guided Embedding Model)を提案する。
  論文  参考訳（メタデータ） (2022-11-30T10:06:55Z)
• An Ordinal Latent Variable Model of Conflict Intensity [59.49424978353101]
  ゴールドスタインスケール(Goldstein scale)は、紛争・協力的なスケールでイベントをスコアする、広く使われている専門家ベースの尺度である。 本稿では、競合強度を測定するために、潜伏変数に基づくアプローチをとる。
  論文  参考訳（メタデータ） (2022-10-08T08:59:17Z)
• Improve Event Extraction via Self-Training with Gradient Guidance [10.618929821822892]
  本稿では、イベント抽出の進行を妨げる主な要因を克服するために、フィードバックによる自己評価(STF)フレームワークを提案する。 STFは,(1)既存のイベントアノテーションに基づいてトレーニングされたベースイベント抽出モデルと,(2)新しいイベント参照を擬似トレーニングサンプルとして予測するための大規模未ラベルコーパスと,(2)新しいイベントトリガ,引数,引数ロール,およびAMRグラフ内のそれらのパスを用いて互換性スコアを推定する新たなスコアリングモデルから構成される。 ACE05-E、ACE05-E+、EREを含む3つのベンチマークデータセットの実験結果
  論文  参考訳（メタデータ） (2022-05-25T04:40:17Z)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• ClarET: Pre-training a Correlation-Aware Context-To-Event Transformer for Event-Centric Generation and Classification [74.6318379374801]
  本稿では,イベント中心推論のための一般相関対応コンテキスト・イベント変換器(ClarET)の事前学習を提案する。 提案されたClarETは、幅広いイベント中心の推論シナリオに適用できる。
  論文  参考訳（メタデータ） (2022-03-04T10:11:15Z)
• Bad and good errors: value-weighted skill scores in deep ensemble learning [0.0]
  証拠に基づいて予測誤差の重大度を評価するための戦略を導入する。 本稿では,予測値に重要な意味を持つ,混乱行列とスキルスコアの新たな定義を提案する。 本稿では,公害,宇宙気象,株式賞の予測に関する3つの応用事例において,このアプローチの性能を示す。
  論文  参考訳（メタデータ） (2021-03-04T08:05:13Z)

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。