論文の概要: Poisson-Gamma Modeling of Inter-Relational Dependencies in Dynamic Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2607.02872v1
• Date: Fri, 03 Jul 2026 02:19:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.440537
• Title: Poisson-Gamma Modeling of Inter-Relational Dependencies in Dynamic Knowledge Graphs
• Title（参考訳）: 動的知識グラフにおける関係関係依存性のポアソン・ガンマモデリング
• Authors: Nan Fang, Yijun Wang, Hao Liao, Sikun Yang,
• Abstract要約: PGRE (PoGisson-amma Evolution) は動的知識グラフにおける関係関係依存をモデル化するためのモデルである。 ガンママルコフ過程はさらに潜伏変数の時間的進化をモデル化し、リレーショナルダイナミクスの原理的特徴付けを可能にする。
• 参考スコア（独自算出の注目度）: 13.337906358005077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic knowledge graphs are ubiquitous in today's AI applications, as we represent molecular structures, social relationships, and language information using these graph models. As knowledge graphs evolve over time and are often noisy and incomplete, modeling their temporal and relational dependencies becomes crucial for downstream tasks. To address these challenges, this paper proposes PGRE (Poisson-Gamma Relational Evolution), a probabilistic model for modeling inter-relational dependencies in dynamic knowledge graphs. PGRE represents multi-relational temporal links via a Poisson-Bernoulli formulation. It introduces Gamma-distributed latent variables to capture entity-factor associations and cross-relation dependencies mediated by shared latent communities. A Gamma Markov process further models the temporal evolution of these latent variables, enabling principled characterization of relational dynamics. Experiments on benchmark datasets show that PGRE achieves competitive performance in link prediction, particularly in sparse settings, while revealing meaningful relational evolution patterns in dynamic knowledge graphs.
• Abstract（参考訳）: 動的知識グラフは、分子構造、社会的関係、そしてこれらのグラフモデルを用いた言語情報を表現するため、今日のAIアプリケーションではユビキタスである。 知識グラフは時間とともに進化し、しばしば騒々しく不完全であるので、その時間的および関係的な依存関係をモデル化することは下流のタスクにとって重要である。 本稿では,動的知識グラフにおける関係関係関係のモデル化のための確率論的モデルであるPGRE(Poisson-Gamma Relational Evolution)を提案する。 PGRE は Poisson-Bernoulli の定式化による多関係時間リンクを表す。 Gammaに分散された潜伏変数を導入し、共有潜伏コミュニティによって仲介されるエンティティ・ファクター・アソシエーションと相互関係の依存関係をキャプチャする。 ガンママルコフ過程は、これらの潜伏変数の時間的進化をモデル化し、リレーショナルダイナミクスの原理的特徴付けを可能にする。 ベンチマークデータセットの実験では、PGREはリンク予測、特にスパース設定における競合性能を達成し、動的知識グラフにおける有意義なリレーショナル進化パターンを明らかにしている。

関連論文リスト

• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• SDGF: Fusing Static and Multi-Scale Dynamic Correlations for Multivariate Time Series Forecasting [9.027814258970684]
  時系列の正確な予測にはシリーズ間相関が不可欠である。 これらの関係はしばしば異なる時間スケールにわたる複雑なダイナミクスを示す。 既存のメソッドは、これらのマルチスケール依存関係のモデリングに限られています。
  論文  参考訳（メタデータ） (2025-09-14T11:23:12Z)
• Clustering Time-Evolving Networks Using the Spatio-Temporal Graph Laplacian [0.8643517734716606]
  我々は既存のスペクトルアルゴリズムを一般化し、時間変化のあるグラフ構造におけるコミュニティを特定し解析する。 テンポラル指向グラフ Laplacian は、有向および無向クラスタの時間経過に伴うクラスタ構造進化の明確な解釈を可能にすることを示す。
  論文  参考訳（メタデータ） (2024-07-12T14:31:54Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• Inferring dynamic regulatory interaction graphs from time series data with perturbations [14.935318448625718]
  本稿では,複雑なシステムにおける時間変化の相互作用グラフを推定するためのRegulatory Temporal Interaction Network Inference (RiTINI)を提案する。 RiTINIは空間・時間グラフアテンションとグラフニューラル常微分方程式(ODE)を組み合わせた新しい組み合わせを用いる 我々は,様々なシミュレーションおよび実世界のデータセット上でのRiTINIの性能を評価する。
  論文  参考訳（メタデータ） (2023-06-13T14:25:26Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• Navigating the Dynamics of Financial Embeddings over Time [0.0]
  スケーラブルな動的環境におけるグラフ表現学習の応用を提案する。 我々は、現実の洞察を抽出するために、潜航軌道の厳密な定性的分析を行う。
  論文  参考訳（メタデータ） (2020-07-01T16:27:31Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。