論文の概要: FITTER: Vocabulary-Agnostic Cross-Domain Inference on Temporal Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2608.10668v1
• Date: Tue, 11 Aug 2026 08:47:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.966009
• Title: FITTER: Vocabulary-Agnostic Cross-Domain Inference on Temporal Knowledge Graphs
• Title（参考訳）: FITTER: 時間的知識グラフにおける語彙非依存のクロスドメイン推論
• Abstract要約: 本稿では、時間的知識グラフリンク予測のための、最初の完全帰納的構造モデルであるFITTERを提案する。 FITTERは、それぞれの述語を、他者との相互作用パターンと時間によって表現し、絶対順序ではなく相対的なエンコーディングを通して表現する。 時間的エンコーディングは時間シフト不変であることが証明され、6つの時間的知識グラフベンチマーク上でのクロスドメイン、クロスグラフ転送においてFITTERを評価する。
• 参考スコア（独自算出の注目度）: 20.962253638494385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal knowledge graphs are central to many uses of the Semantic Web, but existing completion methods assume the entities, relation names, and timestamps to be reasoned about are already known at training time, restricting each model to a single graph and vocabulary. We propose FITTER, the first fully-inductive structural model for temporal knowledge graph link prediction that supports cross-domain transfer: the inference graph may contain entirely unseen entities, relation names, and timestamps drawn from a different domain. FITTER represents each predicate by its interaction patterns with others and time through encodings of relative rather than absolute ordering; message-passing fuses local and global temporal context to produce vocabulary-agnostic embeddings. We prove the temporal encoding is time-shift invariant and evaluate FITTER on cross-domain, cross-graph transfer over six temporal knowledge graph benchmarks of diverse domains, granularities, and time spans. FITTER consistently outperforms inductive baselines without retraining, indicating that vocabulary-agnostic structural learning is a viable foundation for inference over the heterogeneous knowledge graphs of the Semantic Web.
• Abstract（参考訳）: 時間的知識グラフはセマンティックウェブの多くの利用の中心であるが、既存の完成法では、エンティティ、関係名、タイムスタンプは訓練時に既に知られており、各モデルを単一のグラフと語彙に制限していると仮定している。 我々は、時間的知識グラフリンク予測のための最初の完全帰納的構造モデルであるFITTERを提案し、この推論グラフは、異なるドメインから引き出された全く見えないエンティティ、関係名、タイムスタンプを含むことができる。 メッセージパッシングは、局所的およびグローバルな時間的文脈を融合させ、語彙に依存しない埋め込みを生成する。 時間的エンコーディングは時間変化不変であることが証明され、異なる領域、粒度、時間幅の6つの時間的知識グラフベンチマーク上で、クロスドメイン上のFITTERを評価する。 FITTERはインダクティブベースラインをリトレーニングせずに一貫して上回り、語彙に依存しない構造学習はセマンティックウェブの不均一な知識グラフに対する推論の有効な基盤であることを示している。

関連論文リスト

• 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)
• Leveraging Pre-trained Language Models for Time Interval Prediction in Text-Enhanced Temporal Knowledge Graphs [1.4916971861796382]
  本稿では,テキスト強調時間知識グラフ補完のための事前学習言語モデル(PLM)のパワーを利用するTEMTという新しいフレームワークを提案する。 従来のアプローチとは異なり、TEMTは異なる時間ポイント間の依存関係を効果的にキャプチャし、目に見えないエンティティの予測を可能にする。
  論文  参考訳（メタデータ） (2023-09-28T11:43:49Z)
• Variational Cross-Graph Reasoning and Adaptive Structured Semantics Learning for Compositional Temporal Grounding [143.5927158318524]
  テンポラルグラウンドティング(Temporal grounding)とは、クエリ文に従って、未編集のビデオから特定のセグメントを特定するタスクである。 新たに構成時間グラウンドタスクを導入し,2つの新しいデータセット分割を構築した。 ビデオや言語に内在する構造的意味論は、構成的一般化を実現する上で重要な要素である、と我々は主張する。
  論文  参考訳（メタデータ） (2023-01-22T08:02:23Z)
• Graph Adaptive Semantic Transfer for Cross-domain Sentiment Classification [68.06496970320595]
  クロスドメイン感情分類(CDSC)は、ソースドメインから学んだ伝達可能なセマンティクスを使用して、ラベルなしのターゲットドメインにおけるレビューの感情を予測することを目的としている。 本稿では、単語列と構文グラフの両方からドメイン不変セマンティクスを学習できる適応型構文グラフ埋め込み法であるグラフ適応意味伝達(GAST)モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-18T07:47:01Z)
• TLogic: Temporal Logical Rules for Explainable Link Forecasting on Temporal Knowledge Graphs [13.085620598065747]
  時間知識グラフでは、各エッジにタイムスタンプまたは時間範囲を設けて、時間情報をグラフに統合する。 本稿では、時間的ランダムウォークによって抽出された時間的論理規則に基づく、説明可能なフレームワークであるTLogicを紹介する。
  論文  参考訳（メタデータ） (2021-12-15T10:46:35Z)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)
• Graphonomy: Universal Image Parsing via Graph Reasoning and Transfer [140.72439827136085]
  グラフィノノミー(Graphonomy)というグラフ推論・伝達学習フレームワークを提案する。 人間の知識とラベル分類を、局所畳み込みを超えた中間グラフ表現学習に組み込んでいる。 意味認識グラフの推論と転送を通じて、複数のドメインにおけるグローバルおよび構造化されたセマンティックコヒーレンシーを学習する。
  論文  参考訳（メタデータ） (2021-01-26T08:19:03Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• 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)
• Distributional semantic modeling: a revised technique to train term/word vector space models applying the ontology-related approach [36.248702416150124]
  ニューラルネットワークを用いた分散項表現(あるいは項埋め込み)学習による分布意味モデリングのための新しい手法を設計する。 Vec2graphは、動的かつインタラクティブなグラフとして単語埋め込み(私たちの場合の長期埋め込み)を視覚化するためのPythonライブラリである。
  論文  参考訳（メタデータ） (2020-03-06T18:27:39Z)

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。