論文の概要: Denoising the Future: Context-Aware Spectral Diffusion for Temporal Knowledge Graph Extrapolation
- arxiv url: http://arxiv.org/abs/2608.20804v2
- Date: Tue, 25 Aug 2026 15:39:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:33.863427
- Title: Denoising the Future: Context-Aware Spectral Diffusion for Temporal Knowledge Graph Extrapolation
- Title（参考訳）: 未来を語る:時間知識グラフ外挿のためのコンテキスト認識スペクトル拡散
- Abstract要約: FreqDiffは、TKG外挿のための周波数対応フレームワークである。
FreqDiffは、将来のオブジェクト予測をクエリスロットのデノゲーションとして定式化する。
4つの公開TKGベンチマークの実験は、FreqDiffが最先端のパフォーマンスを達成することを示した。
- 参考スコア（独自算出の注目度）: 14.39831625248832
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Temporal Knowledge Graph (TKG) extrapolation seeks to infer future facts from time-varying relational histories. Recent diffusion-based approaches improve uncertainty modeling through generative denoising, but their aggregated conditioning on subject histories may insufficiently distinguish query-specific evidence from non-salient historical facts, thereby diluting target-discriminative signals. To bridge this gap, we propose FreqDiff, a Frequency-aware Diffusion framework for TKG extrapolation. Specifically, FreqDiff formulates future object prediction as query-slot denoising and develops a dual-stream denoiser that integrates temporal dependency modeling with context-aware spectral calibration. The spectral branch synthesizes history-conditioned filters from learnable bases to adaptively re-calibrate denoising representations, while a frequency-domain regularizer is proposed to align the denoised target with the gold object in spectral space. Experiments on four public TKG benchmarks demonstrate that FreqDiff achieves state-of-the-art performance.
- Abstract（参考訳）: 時間的知識グラフ(TKG)の外挿は、時間的な関係履歴から将来の事実を推測しようとする。
近年の拡散に基づくアプローチでは, 生成的認知による不確実性モデリングが改善されているが, 被写体履歴の集約条件は, 問合せ固有の証拠と非正則な歴史的事実とを十分に区別できないため, 標的識別信号の希薄化が期待できる。
このギャップを埋めるために、TKG外挿のための周波数対応拡散フレームワークであるFreqDiffを提案する。
具体的には、FreqDiffは、将来のオブジェクト予測をクエリスロットの復調として定式化し、時間依存性モデリングとコンテキスト対応のスペクトルキャリブレーションを統合するデュアルストリームデノイザを開発した。
スペクトル分岐は、学習可能なベースから履歴条件付きフィルタを合成し、適応的に復調表現を校正する。
4つの公開TKGベンチマークの実験は、FreqDiffが最先端のパフォーマンスを達成することを示した。
関連論文リスト
- HyFAD: Hybrid Time-Frequency Diffusion with Frequency-Aware Embedding for Time Series Imputation [10.212955864311589]
時系列計算のための時間周波数拡散モデルである textbfHyFAD を提案する。
周波数領域拡散プロセスは高周波スペクトル成分を洗練させる一方、低周波グローバルトレンドを捉える。
複数のベンチマークデータセットの実験は、HyFADが最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-06-03T06:03:37Z) - FEDIN: Frequency-Enhanced Deep Interest Network for Click-Through Rate Prediction [56.59654766009799]
ユーザ注意スコアは、正または負のターゲット項目に条件付けされた場合、異なるスペクトルエントロピー分布を示す。
本稿では,周波数拡張型深層関心ネットワーク(FEDIN)を提案する。
FEDINは、最先端のレコメンデーションベースラインを一貫して上回り、ノイズに対する優れた堅牢性を示している。
論文 参考訳（メタデータ） (2026-05-03T05:50:36Z) - Negative-Aware Diffusion Process for Temporal Knowledge Graph Extrapolation [16.301114199423044]
時間的知識グラフ(TKG)推論は、過去の証拠から将来の行方不明の事実を予測しようとするものである。
TKG外挿(NADEx)の負の認識拡散モデル
NADExは、実体、関係、時間間隔の主題中心の履歴をシーケンシャルな埋め込みにエンコードする。
論文 参考訳（メタデータ） (2026-02-09T15:50:56Z) - The Sound of Noise: Leveraging the Inductive Bias of Pre-trained Audio Transformers for Glitch Identification in LIGO [0.0]
過渡的なノイズアーティファクト(グリッチ)は重力波干渉計(GW)の感度を制限する。
現在のグリッチ分類法は、ラベル付きデータセットを使用してスクラッチから訓練された教師付きモデルに依存している。
本稿では,GWひずみデータを音声処理のレンズで処理する新しいクロスドメインフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-27T20:16:53Z) - FreIE: Low-Frequency Spectral Bias in Neural Networks for Time-Series Tasks [5.215187965365735]
モデルは高周波信号の前に低周波信号に適合する傾向があることを示す。
本稿では、暗黙の周波数正規化と暗黙の周波数正規化の両方を通してモデル一般化を強化するFreLEアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-10-29T03:22:51Z) - A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。
本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。
火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
論文 参考訳（メタデータ） (2025-10-11T09:59:25Z) - FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。
本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
論文 参考訳（メタデータ） (2024-02-04T08:23:41Z) - SpecSTG: A Fast Spectral Diffusion Framework for Probabilistic Spatio-Temporal Traffic Forecasting [29.55810183838032]
SpecSTGはトラフィック時間グラフ学習のための新しいスペクトル拡散フレームワークである。
将来の時系列のフーリエ表現を生成し、学習プロセスを空間情報に富んだスペクトル領域に変換する。
最先端技術と比較すると、SpecSTGはポイント推定において最大8%の改善を達成し、将来の不確実性を定量化するために最大0.78%の改善を達成している。
論文 参考訳（メタデータ） (2024-01-16T05:23:34Z) - ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。
我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
論文 参考訳（メタデータ） (2023-04-07T15:17:48Z) - SpecGrad: Diffusion Probabilistic Model based Neural Vocoder with
Adaptive Noise Spectral Shaping [51.698273019061645]
SpecGradは拡散雑音に適応し、その時間変化スペクトル包絡が条件付き対数メル分光器に近づく。
時間周波数領域で処理され、計算コストは従来のDDPMベースのニューラルボコーダとほぼ同じである。
論文 参考訳（メタデータ） (2022-03-31T02:08:27Z) - PriorGrad: Improving Conditional Denoising Diffusion Models with
Data-Driven Adaptive Prior [103.00403682863427]
条件拡散モデルの効率を改善するために, PreGrad を提案する。
PriorGradはデータとパラメータの効率を向上し、品質を向上する。
論文 参考訳（メタデータ） (2021-06-11T14:04:03Z) - Bayesian Reconstruction of Fourier Pairs [21.104218472462907]
一般的な文献は、観測結果の欠如や、ノイズの破損したデータには耐えられない。
我々の目的は、時間領域と周波数領域において、不特定に取得されたデータの原則的処理の欠如に対処することである。
提案モデルでは,実環境におけるオーディオ,医療,天文学的信号の共用時間と周波数再構成が可能であることを示す。
論文 参考訳（メタデータ） (2020-11-09T17:30:24Z)
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。