論文の概要: GRATE: Temporal Extensions for Inductive KG Foundation Models via Gated Rotary Attention

• arxiv url: http://arxiv.org/abs/2607.10197v1
• Date: Sat, 11 Jul 2026 08:22:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.335061
• Title: GRATE: Temporal Extensions for Inductive KG Foundation Models via Gated Rotary Attention
• Title（参考訳）: GRATE:Gated Rotary AttentionによるインダクティブKGファンデーションモデルの時間拡張
• Abstract要約: 我々は、学習可能なパラメータを追加せず、相対時間差を通して時間をエンコードするエンティティ側メッセージ関数GRATEを提案する。 GRATEは構造転送可能性を維持しながら、NBFNetスタイルの知識グラフ基盤モデルに統合される。
• 参考スコア（独自算出の注目度）: 12.927354609914952
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph foundation models such as Ultra and Trix achieve strong inductive transfer by learning relation-graph representations that generalise to unseen entities and relations. Extending this transferability to temporal knowledge graphs (TKGs) remains challenging: existing temporal models tie their parameters to dataset-specific entities, relations, or timestamps and are not designed to transfer to TKGs with disjoint vocabularies. We propose GRATE (Gated Rotary Attention for Temporal Encoding), an entity-side message function that adds no learnable parameters and encodes time through relative time differences by rotating each edge message according to its time gap to the query and applying a query-conditioned gate to select temporally relevant signals. GRATE integrates into NBFNet-style KG foundation models while preserving structural transferability. Existing TKG benchmarks evaluate within shared train/test vocabularies and cannot directly test cross-dataset temporal transfer; we therefore construct GDELTIndT and WIKIIndT, inductive transfer benchmark suites with disjoint entities, relations, and timestamps spanning both interpolation and extrapolation. Across these benchmarks and held-out forecasting datasets, a single jointly pretrained GRATE checkpoint improves over the static base model in most settings.
• Abstract（参考訳）: Ultra や Trix のような知識グラフ基盤モデルは、未知の実体や関係に一般化する関係グラフ表現を学習することで、強い帰納的伝達を実現する。 既存の時間モデルでは、パラメータをデータセット固有のエンティティ、関係性、タイムスタンプと結び付けており、相反する語彙を持つTKGに転送するように設計されていない。 本稿では,時間差に応じて各エッジメッセージを回転させて時間的関係のある信号を選択することで,学習可能なパラメータを追加せず,相対時間差を経た時刻を符号化するエンティティ側メッセージ関数GRATEを提案する。 GRATEは構造転写性を維持しつつ、NBFNetスタイルのKG基盤モデルに統合される。 既存のTKGベンチマークは、共有列車/テスト語彙内で評価され、クロスデータセットの時間移動を直接テストできないため、補間と補間の両方にまたがる非結合性、関係性、タイムスタンプを備えた誘導的転送ベンチマークスイートであるGDELTIndTとWIKIIndTを構築する。 これらのベンチマークとホールドアウト予測データセット全体において、ほとんどの設定において、共同で事前トレーニングされたGRATEチェックポイントが静的ベースモデルよりも改善されている。

関連論文リスト

• Beyond Triplet Plausibility: Relation Set Completion in Knowledge Graphs [48.16012222834734]
  関係集合完了タスク(RSC)と関係集合埋め込みモデル(RelSetE)を導入する。 RSCは、あるエンティティと意味的に互換性のある欠落した関係を推論することを目的としている。 RelSetEは、観測されたエンティティの関係の中で潜在パターンをモデル化し、失われたパターンを推測する。
  論文  参考訳（メタデータ） (2026-06-29T06:54:40Z)
• It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
  時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。 我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。 静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
  論文  参考訳（メタデータ） (2026-02-12T16:31:01Z)
• 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)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• Towards Foundation Model on Temporal Knowledge Graph Reasoning [17.165969719351125]
  時間的知識グラフ(TKG)は、時間的事実を4重形式(s, p, o, t)で格納する。 新しいモデルは、細粒度時間パターンを捉えるために正弦波位置符号化を用いる。 PostRAは、目に見えない時間的知識グラフに強いゼロショット性能を示す。
  論文  参考訳（メタデータ） (2025-06-04T09:19:49Z)
• 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)
• Incorporating Structured Sentences with Time-enhanced BERT for Fully-inductive Temporal Relation Prediction [13.070974291417318]
  不完全な時間的知識(TKG)に時間的関係予測を組み込むことは、一般的な時間的知識グラフ補完(TKGC)問題である。 従来の埋め込みベースのTKGCモデルは構造化接続に依存しており、固定されたエンティティのみを扱うことができる。 本研究では、トレーニングとテストセットのエンティティが完全に不整合である完全帰納的設定をTKGに拡張する。 我々のモデルはエンティティ履歴を取得し、構造化文を符号化することで意味空間における規則を暗黙的に学習することができる。
  論文  参考訳（メタデータ） (2023-04-10T17:22:15Z)
• Meta-Learning Based Knowledge Extrapolation for Temporal Knowledge Graph [4.103806361930888]
  時間的KG(TKG)は、静的トリプルとタイムスタンプを関連付けることで従来の知識グラフを拡張する。 本稿では,メタラーニングに基づく時間知識グラフ外挿法(MTKGE)モデルを提案する。 MTKGEは知識グラフ外挿法において既存の最先端モデルよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T09:52:26Z)
• HiSMatch: Historical Structure Matching based Temporal Knowledge Graph Reasoning [59.38797474903334]
  本稿では,textbfHistorical textbfStructure textbfMatching (textbfHiSMatch)モデルを提案する。 クエリと候補エンティティの履歴構造に含まれる意味情報をキャプチャするために、2つの構造エンコーダを適用する。 6つのベンチマークデータセットの実験では、提案されたHiSMatchモデルが、最先端のベースラインと比較して最大5.6%のパフォーマンス改善を達成している。
  論文  参考訳（メタデータ） (2022-10-18T09:39:26Z)
• 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)
• 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)

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。