論文の概要: GAttNHP: Group Attention Neural Hawkes Process for Extrapolation Reasoning in Temporal Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2607.14733v1
- Date: Thu, 16 Jul 2026 08:58:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:33.050881
- Title: GAttNHP: Group Attention Neural Hawkes Process for Extrapolation Reasoning in Temporal Knowledge Graphs
- Title（参考訳）: GAttNHP:時間知識グラフにおける外挿推論のためのグループ注意神経ホークプロセス
- Abstract要約: グループアテンションニューラルホークスプロセス(GAttNHP)は、3つのマッチしたコンポーネントを中心に構築されている。
GAttNHPは、エンティティ予測と時間予測の両方で最先端のベースラインを改善する。
- 参考スコア（独自算出の注目度）: 8.46384127054246
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Temporal Knowledge Graphs (TKGs) record how facts evolve over time, but forecasting future events on a TKG remains difficult for three reasons: (i) long-range temporal dependencies are hard to encode; (ii) events on different chains mutually excite or inhibit one another in ways that snapshot-level models cannot express; and (iii) inter-arrival times are heavy-tailed and statistically sparse, so deterministic time predictors are unreliable. We address these three issues with a single framework, the \textbf{Group Attention Neural Hawkes Process (GAttNHP)}, built around three matched components. First, a self-attention encoder casts each subject--relation chain as a continuous-time point process and captures the lingering excitation of distant history. Second, a semantic soft-grouping module turns globally learnable Hawkes priors into an analytical cross-attention mask, so chains share excitation patterns through their latent group memberships rather than through exhaustive pairwise computation. Third, a Non-Crossing Quantile (NCQ) regression head replaces mean-based time prediction, providing calibrated, monotonically ordered quantile estimates that remain stable under heavy-tailed inter-arrival distributions. On six benchmark TKG datasets, GAttNHP improves over state-of-the-art baselines on both entity prediction and time prediction, and ablations confirm that its largest gains arise on the long-tail event chains where existing models fail most severely.
- Abstract（参考訳）: 時間的知識グラフ(TKG)は、事実が時間とともにどのように進化するかを記録するが、TKGで将来の出来事を予測することは3つの理由から難しいままである。
(i)長距離時間依存の符号化が困難である。
二 異なる鎖上の事象は、スナップショットレベルのモデルでは表現できない方法で互いに興奮し、互いに抑制する。
第三に、地域間時間は重く、統計的に疎いため、決定論的時間予測器は信頼できない。
これら3つの問題を,3つのマッチングコンポーネントを中心に構築された,単一のフレームワークである‘textbf{group Attention Neural Hawkes Process(GAttNHP)’で解決する。
第一に、自己注意エンコーダは、各被写体関連チェーンを連続点過程としてキャストし、遠方履歴のゆがみ励起をキャプチャする。
第二に、セマンティック・ソフトグルーピング・モジュールは、グローバルに学習可能なホークスを解析的なクロスアテンション・マスクに変えるため、連鎖は徹底的なペアワイズ計算ではなく、潜在群のメンバーシップを通して励起パターンを共有する。
第三に、Non-Crossing Quantile (NCQ)レグレッションヘッドは平均的時間予測に取って代わり、重尾の領域間分布の下で安定な校正された単調な順序の量子推定を提供する。
6つのベンチマークTKGデータセットでは、GAttNHPはエンティティ予測と時間予測の両方で最先端のベースラインを改良し、既存のモデルが最も深刻なロングテールイベントチェーンで最大の利益が生じることを確認した。
関連論文リスト
- Stochastic Event Prediction via Temporal Motif Transitions [0.0]
時間的リンク予測手法は、通常、タスクを負のサンプリングを伴うバイナリ分類として表す。
本稿では、時系列リンク予測を連続時間における逐次予測問題として再構成するフレームワークSTEP(Stochastic Event Predictor)を紹介する。
論文 参考訳（メタデータ） (2026-03-06T03:51:40Z) - Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。
形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。
均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。
TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
論文 参考訳（メタデータ） (2026-02-10T14:13:36Z) - LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。
本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。
実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
論文 参考訳（メタデータ） (2026-02-09T13:33:49Z) - 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) - EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting [4.551615447454767]
EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャである。
キャリブレーションされた予測とテールアウェアのリスク推定を提供する。
産業監視、天気予報、衛星診断などの高度な分野に適用できる。
論文 参考訳（メタデータ） (2026-01-26T23:15:20Z) - Robust fuzzy clustering for high-dimensional multivariate time series with outlier detection [8.124770608442377]
RFCPCAは、多変量時系列データに適した、堅牢なファジィサブスペースクラスタリング手法である。
潜時構造を捕捉し、校正されたメンバーシップの不確実性を提供し、汚染下で安定なまま、フラグ列レベルのアウトリーチを提供する。
ドライバEEGでは、RFCPCAは関連するメソッドよりもクラスタリングの精度を向上し、不確実性と外れ値の構造のより信頼性の高い特徴を与える。
論文 参考訳（メタデータ） (2025-10-30T20:16:28Z) - TimeOmni-1: Incentivizing Complex Reasoning with Time Series in Large Language Models [105.47481207029047]
時系列を推論する3つの基本的な機能にまたがる4つのアトミックタスクを形式化した時系列推論スイート(TSR-Suite)を紹介する。
また,時系列推論を必要とする多種多様な実世界の問題に対処するために設計された最初の統一推論モデルであるTime Omni-1を紹介する。
論文 参考訳（メタデータ） (2025-09-29T13:54:34Z) - T3Time: Tri-Modal Time Series Forecasting via Adaptive Multi-Head Alignment and Residual Fusion [0.4915744683251151]
T3Timeは、時間、スペクトル、プロンプトブランチで構成される新しい3モーダルフレームワークである。
予測地平線に基づいて時間的特徴とスペクトル的特徴の優先順位付けを学習する。
我々のモデルは一貫して最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-08-06T09:31:44Z) - Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための因果変換器Timer-XLを提案する。
大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
論文 参考訳（メタデータ） (2024-10-07T07:27:39Z) - Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。
幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
論文 参考訳（メタデータ） (2024-07-02T20:14:32Z) - 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) - An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。
本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-19T10:15:00Z)
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。