論文の概要: TeRoR: Decoupled Temporal Rotation with Relational Circular Region for Temporal Knowledge Graph Embedding
- arxiv url: http://arxiv.org/abs/2606.27651v1
- Date: Fri, 26 Jun 2026 02:06:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.351157
- Title: TeRoR: Decoupled Temporal Rotation with Relational Circular Region for Temporal Knowledge Graph Embedding
- Title（参考訳）: TeRoR:時間的知識グラフ埋め込みのための関係円領域と時間的回転の分離
- Abstract要約: 本稿では,TeRoRという新しいTKG埋め込み手法を提案する。
この方法は、実体埋め込みの時間的進化を分割し、頭と尾のエンティティに独立な回転変換を行う。
リレーショナル特性の面では、テールエンティティを中心とした円形領域内で回転および変換されたヘッドエンティティを制限するために半径を訓練する。
- 参考スコア（独自算出の注目度）: 6.291655897444824
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, with the emergence of Temporal Knowledge Graphs (TKGs), research on learning entity and relation representations in TKGs has attracted increasing attention, giving rise to a large number of TKG embedding methods. TeRo is a simple and efficient temporal knowledge graph embedding approach. However, TeRo does not do well in modeling the mapping properties of various relations, such as one-to-many, many-to-one, and many-to-many. Meanwhile, it also has limitations in the expression of temporal information. To address these issues, we propose a novel TKG embedding method named TeRoR. This method divides the temporal evolution of entity embeddings, and conducts independent rotation transformations on head and tail entities in the complex vector space to strengthen temporal information modeling capacity. In terms of relational characteristics, we train a radius to constrain the rotated and translated head entities within a circular region centered on the tail entity, which effectively captures the diverse mapping properties of relations. Experimental results demonstrate that TeRoR achieves competitive performance against state-of-the-art models on four distinct TKG datasets.
- Abstract（参考訳）: 近年、時間知識グラフ(TKG)の出現に伴い、TKGにおける学習実体と関係表現の研究が注目され、多くのTKG埋め込み手法が生み出されている。
TeRoは、シンプルで効率的な時間的知識グラフの埋め込み手法である。
しかし、TeRoは1対マニー、多対マニー、多対マニーなど、様々な関係のマッピング特性のモデル化には適していない。
一方、時間情報の表現にも制限がある。
これらの課題に対処するために,TeRoRという新しいTKG埋め込み手法を提案する。
この方法では、実体埋め込みの時間的進化を分割し、複素ベクトル空間の頭と尾のエンティティに独立な回転変換を行い、時間的情報モデリング能力を強化する。
リレーショナル特性の面では、回転および変換されたヘッドエンティティをテールエンティティを中心とした円形領域内で制限するように半径を訓練し、関係の多様なマッピング特性を効果的に捉える。
実験により,TeRoRは4つの異なるTKGデータセット上での最先端モデルとの競合性能を実証した。
関連論文リスト
- 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) - Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。
グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。
グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
論文 参考訳（メタデータ） (2023-09-11T08:44:07Z) - A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic,
and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。
質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文 参考訳（メタデータ） (2022-12-12T08:40:04Z) - Search to Pass Messages for Temporal Knowledge Graph Completion [97.40256786473516]
我々は、時間知識グラフ(TKG)の補完のために、NAS(Neural Architecture Search)を用いて、データ固有のメッセージパッシングアーキテクチャを設計することを提案する。
特に,TKGにおけるトポロジカルおよび時間的情報を探るための一般化されたフレームワークを開発する。
より低コストで効率的な探索のために単一経路をサンプリングし,スーパーネット構造を訓練する探索アルゴリズムを採用する。
論文 参考訳（メタデータ） (2022-10-30T04:05:06Z) - DyTed: Disentangled Representation Learning for Discrete-time Dynamic
Graph [59.583555454424]
離散時間動的グラフ、すなわちDyTedのための新しいディペンタングル表現学習フレームワークを提案する。
本研究では,時間不変の表現と時間変動の表現を効果的に識別する構造的コントラスト学習とともに,時間的クリップのコントラスト学習タスクを特別に設計する。
論文 参考訳（メタデータ） (2022-10-19T14:34:12Z) - RotateQVS: Representing Temporal Information as Rotations in Quaternion
Vector Space for Temporal Knowledge Graph Completion [21.587197001067043]
本研究では,時間的実体を四元ベクトル空間(RotateQVS)の回転として表現し,ハミルトン四元ベクトル空間における複素ベクトルとしての関係性を示す新しい時間的モデリング手法を提案する。
提案手法は,4つの時間的知識グラフベンチマーク上でリンク予測タスクの性能を向上させることができる。
論文 参考訳（メタデータ） (2022-03-15T15:27:23Z) - Time-aware Graph Neural Networks for Entity Alignment between Temporal
Knowledge Graphs [8.739319749401819]
グラフニューラルネットワーク(TEA-GNN)に基づく時間認識型エンティティアライメント手法を提案する。
本手法は時間情報の導入により最先端の手法よりも優れる。
論文 参考訳（メタデータ） (2022-03-04T06:41:51Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-25T08:45:14Z) - Continuous-Time Sequential Recommendation with Temporal Graph
Collaborative Transformer [69.0621959845251]
本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。
TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。
5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2021-08-14T22:50:53Z) - 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) - ChronoR: Rotation Based Temporal Knowledge Graph Embedding [8.039202293739185]
時間的知識グラフに対する推論の難解な問題について検討する。
実体,関係,時間を表す表現を学習するための新しいモデルであるChronoR(ChronoR)を提案する。
chronorは、時間的知識グラフリンク予測のためのベンチマークデータセットの最先端メソッドの多くを上回ることができる。
論文 参考訳（メタデータ） (2021-03-18T17:08:33Z) - TeRo: A Time-aware Knowledge Graph Embedding via Temporal Rotation [12.138550487430807]
本稿では,TKG埋め込みの新しいアプローチであるTeRoについて述べる。
提案モデルでは,既存のKG埋め込みモデルとTKG埋め込みモデルの限界を克服する。
4つの異なるTKG実験の結果、TeRoはリンク予測のための既存の最先端モデルよりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-10-02T14:35:27Z) - Relation of the Relations: A New Paradigm of the Relation Extraction
Problem [52.21210549224131]
我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。
我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。
実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2020-06-05T22:25:27Z)
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。