論文の概要: LiFTER: A Grounded Neuro-Symbolic Microscope for Continuous-Time Dynamic Graph Forecasting
- arxiv url: http://arxiv.org/abs/2608.06765v1
- Date: Fri, 07 Aug 2026 03:39:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.340238
- Title: LiFTER: A Grounded Neuro-Symbolic Microscope for Continuous-Time Dynamic Graph Forecasting
- Title（参考訳）: LiFTER: 連続時間動的グラフ予測のための接地型ニューロシンボリック顕微鏡
- Abstract要約: 連続時間動的グラフモデルは、過去の相互作用をニューラルステートに圧縮することで将来のリンクを予測する。
LiFTERは、観測された相互作用を時間的事実として保存する神経共生予測器である。
LiFTERは、競合する歴史的負の予測を達成し、c-カレンシーと削除忠実度が最も高いマクロ説明を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Continuous-time dynamic graph models predict future links by compressing past interactions into neural states. Although effective for forecasting, this computation obscures which entities are shared across events and how temporal patterns contribute to a prediction. We treat this gap as a property of the predictive architecture rather than a problem to be addressed after prediction. Link-Fact Temporal Rule Inducer (LiFTER) is a neuro-symbolic predictor that preserves observed interactions as grounded temporal facts and applies executable tempo- ral rules to pre-query facts. Each score is a signed sum of rule exe- cutions whose historical facts, entity bindings, and temporal order are explicitly satisfied. The evidence and rules responsible for a prediction can therefore be inspected, independently recomputed, and intervened upon. Across four CTDG benchmarks, LiFTER achieves competitive historical-negative forecasting and the highest macro explanation ac- curacy and deletion fidelity. The same architecture also serves as a microscope that separates the contributions of recurrence, history po- sition, and transition across datasets and traces them to individual facts. Independent execution reconstructs all logits for 19,664 test predictions with a maximum error of 0.0000131. LiFTER turns future-link forecasting into a verifiable grounded computation.
- Abstract（参考訳）: 連続時間動的グラフモデルは、過去の相互作用をニューラルステートに圧縮することで将来のリンクを予測する。
この計算は予測に有効であるが、どのエンティティがイベント間で共有され、時間的パターンが予測にどのように貢献するかを曖昧にする。
我々はこのギャップを予測アーキテクチャの特性として扱い、予測後に対処すべき問題ではなく、予測アーキテクチャの特性として扱う。
Link-Fact Temporal Rule Inducer(リンク・ファクト・テンポラル・ルール・インデューサ、リンク・ファクト・ルール・インデューサ、英: Link-Fact Temporal Rule Inducer、LiFTER)は、観測された相互作用を時間的事実として保存し、事前クエリの事実に実行可能なテンポラル・ルールを適用する神経シンボリック・予測器である。
それぞれのスコアは、歴史的事実、実体的束縛、時間的順序が明示的に満たされる規則外カットの符号付き総和である。
したがって、予測に責任を負う証拠や規則を検査し、独立して再計算し、介入することができる。
4つのCTDGベンチマークで、LiFTERは競合する歴史的負の予測を達成し、c-カレンシーと削除忠実度が最も高いマクロ説明を行う。
同じアーキテクチャは、再発、履歴のpo-sition、データセット間の遷移のコントリビューションを分離し、個々の事実にトレースする顕微鏡としても機能する。
独立実行は、最大エラー0.0000131で19,664のテスト予測のために全ロジットを再構築する。
LiFTERは、将来のリンク予測を検証可能な基底計算に変換する。
関連論文リスト
- Do Generative Models Keep Time? A Time-Aware Evaluation of Synthetic Sequential Tabular Data [28.948173366251286]
時間的忠実度を評価するための分類誘導評価プロトコルを提案する。
このプロトコルを、6つの領域にまたがる13のデータセットの8つの生成モデルに適用する。
論文 参考訳（メタデータ） (2026-07-17T03:59:35Z) - Causal Longitudinal Prior-Fitted Networks for Counterfactual Outcome Prediction [0.0]
縦処理応答データにおける時系列因果推論のための因果関係ネットワーク(CausalLongPFN)を提案する。
CausalLongPFNは、長手処理応答データとゼロショットインコンテキストの対実結果予測において、時系列因果推論に予め適合したネットワークである。
筆者らは,MIMIC-III ICUトラジェクトリにおいて,枝状癌,HIV,ワーファリンのベンチマークを地中事実ラベルを用いて評価し,実物のみの転がりオリジン予測を行った。
論文 参考訳（メタデータ） (2026-06-04T07:26:40Z) - Generating Causal Temporal Interaction Graphs for Counterfactual Validation of Temporal Link Prediction [7.925229590936017]
因果的相互作用グラフ (CTIG) を, 既知の地絡因果構造と組み合わせて生成する。
因果モデルを比較するために,クロスモデル予測誤差に基づく距離メトリックを提案する。
私たちのフレームワークは因果ベンチマークの基礎を提供します。
論文 参考訳（メタデータ） (2026-02-02T14:36:18Z) - Weak Relation Enforcement for Kinematic-Informed Long-Term Stock Prediction with Artificial Neural Networks [0.0]
我々は,長期の株価予測のために,KINN(Kinematic-Informed Artificial Neural Networks)における時系列点間の速度関係の損失関数週間適用を提案する。
論文 参考訳（メタデータ） (2025-11-13T17:00:51Z) - Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳（メタデータ） (2025-09-27T20:57:48Z) - Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
時系列における不確実性定量化の問題を相関配列を利用して解決する。
共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。
我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
論文 参考訳（メタデータ） (2025-02-13T16:12:17Z) - HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
HPNetは、新しい動的軌道予測手法である。
逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。
私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
論文 参考訳（メタデータ） (2024-04-09T14:42:31Z) - NeuSTIP: A Novel Neuro-Symbolic Model for Link and Time Prediction in
Temporal Knowledge Graphs [13.442923127130806]
本稿では,時間的知識グラフにおけるリンク予測と時間間隔予測を行う新しい時間的ニューロシンボリックモデルNeuSTIPを提案する。
NeuSTIPは、隣接する述語間の時間的一貫性を保証するアレン述語の存在下で時間的規則を学習する。
2つの時間間隔に基づくデータセットに対する実験的な評価は、リンク予測と時間間隔予測の両方において、我々のモデルが最先端のモデルより優れていることを示唆している。
論文 参考訳（メタデータ） (2023-05-15T13:46:34Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳（メタデータ） (2020-06-20T03:29:02Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳（メタデータ） (2020-03-10T09:15:42Z)
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。