論文の概要: Biquaternionic Space with Complex-valued Attention for Temporal Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2609.14279v1
• Date: Sun, 13 Sep 2026 04:32:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.781037
• Title: Biquaternionic Space with Complex-valued Attention for Temporal Knowledge Graph Completion
• Title（参考訳）: 時間的知識グラフ補完のための複素値アテンション付きバイカテニオン空間
• Abstract要約: そこで本研究では,TKGEモデルを提案する。 複雑に評価された注意機構は時間条件と関係条件の実体表現を適応的に融合させ、時間的・関係的な文脈で変化させることができる。
• 参考スコア（独自算出の注目度）: 0.8415095580471554
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal knowledge graph embedding (TKGE) models infer missing facts in knowledge graphs that evolve over time. Many existing models use a single geometric space, which can limit their ability to represent diverse relational patterns, or treat entity representations as static. We propose Biquaternionic Space with Complex-valued Attention (BSCA), a TKGE model that combines circular and hyperbolic rotations within a unified biquaternionic framework. A complex-valued attention mechanism adaptively fuses time-conditioned and relation-conditioned entity representations, allowing them to vary with temporal and relational context. Experiments on five benchmark datasets show competitive performance across datasets, with the largest improvement on GDELT: BSCA achieves an MRR of 52.1\%, compared with 38.1\% for the strongest baseline in our comparison.
• Abstract（参考訳）: 時間的知識グラフ埋め込み(TKGE)モデルは、時間とともに進化する知識グラフに欠けている事実を推測する。 多くの既存モデルは単一の幾何学的空間を使用し、多様な関係パターンを表現したり、実体表現を静的として扱う能力を制限することができる。 両立二元系内での円回転と双曲回転を組み合わせたTKGEモデルであるBSCA(Bixiternionic Space with Complex-valued Attention)を提案する。 複雑に評価された注意機構は時間条件と関係条件の実体表現を適応的に融合させ、時間的・関係的な文脈で変化させることができる。 5つのベンチマークデータセットの実験では、データセット間での競合性能が示され、GDELTの最大の改善点として、BSCAは52.1\%のMRRを達成した。

関連論文リスト

• T-Graphormer: Using Transformers for Spatiotemporal Forecasting [2.855856661274715]
  T-Graphormerは、ルート平均二乗誤差(RMSE)と平均絶対パーセンテージ誤差(MAPE)を最大20%と10%削減する。 本稿では,T-Graphormerのリアルタイムトラフィック予測ベンチマークに対する有効性を示す。
  論文  参考訳（メタデータ） (2025-01-22T23:32:29Z)
• Fully Hyperbolic Rotation for Knowledge Graph Embedding [12.69417276887153]
  知識グラフの埋め込みのために設計された,新しい完全双曲モデルを提案する。 我々のモデルは、知識グラフにおける各関係を、ヘッドエンティティからテールエンティティへのローレンツ回転とみなす。 我々のモデルはより少ないパラメータで競合する結果を得る。
  論文  参考訳（メタデータ） (2024-11-06T02:41:26Z)
• Temporal Knowledge Graph Completion with Time-sensitive Relations in Hypercomplex Space [20.235189945656927]
  時間的知識グラフ補完(TKGC)は、特定の時間における時間的知識グラフ内の行方不明事実を埋めることを目的としている。 本稿では,超複素空間内のTKGCに対して,より表現力の高い四元数表現を導入することで,従来のアプローチを超えて前進する。
  論文  参考訳（メタデータ） (2024-03-02T16:50:48Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• 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)
• Time-aware Hyperbolic Graph Attention Network for Session-based Recommendation [58.748215444851226]
  セッションベースのレコメンデーション(SBR、Session-based Recommendation)は、ユーザの次の関心項目を以前のブラウジングセッションに基づいて予測することである。 時間情報を考慮したセッションベースレコメンデーションモデルを構築するために,TA-HGAT(Time-Aware Hyperbolic Graph Attention Network)を提案する。
  論文  参考訳（メタデータ） (2023-01-10T04:16:09Z)
• Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
  線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。 特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。 いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
  論文  参考訳（メタデータ） (2022-08-25T05:47:39Z)
• A Simple But Powerful Graph Encoder for Temporal Knowledge Graph Completion [13.047205680129094]
  時間知識グラフ(TKG)のための単純だが強力なグラフエンコーダTARGCNを提案する。 我々のモデルは,最先端モデルと比較して,GDELTデータセットに対して42%以上の相対的な改善を達成できる。 ICEWS05-15データセットでは18.5%のパラメータで最強のベースラインを上回っている。
  論文  参考訳（メタデータ） (2021-12-14T23:30:42Z)
• BiQUE: Biquaternionic Embeddings of Knowledge Graphs [9.107095800991333]
  既存の知識グラフ埋め込み(KGE)は、コンパクトにマルチリレーショナル知識グラフ(KG)を符号化する KGEモデルでは、KGの多元関係を完全にカバーするために、複数の幾何変換を統一することが重要である。 複数の幾何変換を統合するために二元数を用いた新しいモデルであるBiQUEを提案する。
  論文  参考訳（メタデータ） (2021-09-29T13:05:32Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• GTEA: Inductive Representation Learning on Temporal Interaction Graphs via Temporal Edge Aggregation [11.526912398475513]
  時間的相互作用グラフ(TIG)の帰納学習のためのグラフ時間的エッジ集約フレームワークを提案する。 隣接ノードと対応するエッジの埋め込みの特徴を集約することにより、GTEAはTIGの位相的および時間的依存関係の両方を共同で学習する。 さらに, 隣接アグリゲーションに空間性誘導型自己注意スキームが組み込まれ, より重要で, GTEA の自明なノイズを抑制する。
  論文  参考訳（メタデータ） (2020-09-11T07:52:05Z)
• Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition [79.33539539956186]
  本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。 これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-31T11:28:25Z)

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。