論文の概要: Temporal Knowledge Graph Forecasting under Distribution Shifts: A Synthetic Evaluation
- arxiv url: http://arxiv.org/abs/2607.09232v1
- Date: Fri, 10 Jul 2026 09:22:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 14:47:12.815919
- Title: Temporal Knowledge Graph Forecasting under Distribution Shifts: A Synthetic Evaluation
- Title（参考訳）: 分布シフトによる時間的知識グラフ予測:合成評価
- Abstract要約: 合成TKGジェネレータを用いた制御シフト環境下でのTKG予測について検討した。
実験の結果,TKG予測のロバスト性は信号依存性が高いことが示唆された。
構造的破壊はモデル適応性の限界を明らかにし、潜在エンティティ・コミュニティ構造の変化は最も難しい課題である。
- 参考スコア（独自算出の注目度）: 11.079423042176904
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Temporal knowledge graphs (TKGs) represent evolving relational systems, whose underlying data-generating processes often change over time. Yet, TKG forecasting models are commonly evaluated only on empirical benchmark datasets that provide limited insight into the models' robustness to such distribution shifts. Recognising this issue, we study TKG forecasting under controlled shift environments using a synthetic TKG generator that encodes three temporal and structural properties -- recurrence, homophily, and periodicity -- as data-generating mechanisms. This allows us to evaluate seven forecasting architectures under stationary and shifting regimes. Our experiments suggest that robustness in TKG forecasting is highly signal-dependent. Recurrence-based and periodic regularities are largely recoverable under stationary conditions, and simple memory-based baselines can be competitive when recurrence dominates the data. However, structural breaks reveal limitations in model adaptivity, with shifts in latent entity-community structure posing the strongest challenge in our study. Overall, our findings improve the understanding of the capabilities and limitations of current TKG models confronted with temporal distribution shifts.
- Abstract（参考訳）: 時間的知識グラフ(TKG)は進化する関係システムを表し、その基盤となるデータ生成プロセスは時間とともに変化することが多い。
しかし、TKG予測モデルは、実験的なベンチマークデータセットでのみ評価され、そのような分散シフトに対するモデルの堅牢性についての限られた洞察を提供する。
データ生成機構として3つの時間的・構造的特性 – 再発, ホモフィリ, 周期性 – を符号化した合成TKGジェネレータを用いて, 制御シフト環境下でのTKG予測について検討した。
これにより、定常的かつシフト的な体制下で7つの予測アーキテクチャを評価することができる。
実験の結果,TKG予測のロバスト性は信号依存性が高いことが示唆された。
リカレンスベースと周期正則性は、定常条件下では概ね回復可能であり、リカレンスがデータを支配すると単純なメモリベースベースラインが競合する可能性がある。
しかし, 構造的欠陥はモデル適応性の限界を明らかにし, 潜在エンティティ・コミュニティ構造の変化は本研究で最大の課題となっている。
本研究は,時間的分布変化に直面する現在のTKGモデルの能力と限界の理解を改善した。
関連論文リスト
- Preserving Temporal Dynamics in Time Series Generation [0.2099922236065961]
時系列データの増大は回帰指向予測タスクにおいて重要な役割を果たす。
既存のアプローチは主に、限界データ分布のマッチングに重点を置いている。
モデルに依存しないマルコフ・チェイン・モンテカルロフレームワークを提案し、分布シフトを緩和し、時間的ダイナミクスを保存する。
論文 参考訳（メタデータ） (2026-04-29T20:32:45Z) - Graph2TS: Structure-Controlled Time Series Generation via Quantile-Graph VAEs [1.0499611180329804]
本稿では,構造的バックボーンと残留ダイナミクスの組み合わせとして,時系列データを考慮した時系列生成に関する構造的・残留的な視点を提案する。
ラベルやメタデータではなく構造に対して生成を条件付けすることで、制御された変動を可能にしながら、グローバルな時間的構造を保ちます。
日光スポット、電力負荷、ECG、EEG信号を含む多様なデータセットの実験では、拡散およびGANベースラインと比較して分布の忠実度、時間的アライメント、代表性が改善された。
論文 参考訳（メタデータ） (2026-03-20T14:12:11Z) - Seeking SOTA: Time-Series Forecasting Must Adopt Taxonomy-Specific Evaluation to Dispel Illusory Gains [17.650604674194984]
我々は、AI/ML時系列予測モデルを評価する現在の実践は、効率的な古典的手法の性能を見極めることで、実際の進歩を曖昧にしていると論じる。
これらの「標準」データセットは、しばしばより単純な線形または統計モデルによって効果的に捉えられる、支配的な自己相関パターンと季節周期を示す。
論文 参考訳（メタデータ） (2026-03-16T16:34:26Z) - A Representation-Consistent Gated Recurrent Framework for Robust Medical Time-Series Classification [0.0]
隠れ状態表現における時間的一貫性を強制する規則化された正規化戦略を導入するための表現一貫性を持つゲートリカレントフレームワーク(RC-GRF)を提案する。
提案するフレームワークはモデルに依存しないため,内部ゲーティング機構を変更することなく,既存のゲート型リカレントアーキテクチャに統合することができる。
論文 参考訳（メタデータ） (2026-02-10T17:16:49Z) - Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。
微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。
モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
論文 参考訳（メタデータ） (2025-09-28T07:07:13Z) - Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。
この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-03-06T21:21:15Z) - Powerformer: A Transformer with Weighted Causal Attention for Time-series Forecasting [50.298817606660826]
我々は,非因果重みをスムーズな重み付き崩壊に応じて再加重する因果重みに置き換える新しいトランスフォーマーであるPowerformerを紹介する。
我々の実証実験の結果,Powerformer は公開時系列ベンチマークで最先端の精度を達成できた。
分析の結果、トレーニング中にモデルの局所性バイアスが増幅され、時系列データとパワールールに基づく注意の相互作用が示されることがわかった。
論文 参考訳（メタデータ） (2025-02-10T04:42:11Z) - A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。
後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。
実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文 参考訳（メタデータ） (2024-02-26T04:39:01Z) - GenTKG: Generative Forecasting on Temporal Knowledge Graph with Large Language Models [35.594662986581746]
大規模言語モデル (LLM) は、従来の埋め込みベースおよびルールベースの手法が支配する時間的知識グラフ (tKG) 領域に関心を抱いている。
本稿では、時間的論理ルールに基づく検索戦略と、パラメータ効率の少ない命令チューニングを組み合わせた、GenTKGという新しい検索拡張生成フレームワークを提案する。
実験により、GenTKGは計算資源の少ない時間的関係予測法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-10-11T18:27:12Z) - 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) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。