論文の概要: Time-Aligned Evolving Concept Graphs for Scientific Relation Forecasting

• arxiv url: http://arxiv.org/abs/2609.18163v1
• Date: Wed, 16 Sep 2026 05:43:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.660234
• Title: Time-Aligned Evolving Concept Graphs for Scientific Relation Forecasting
• Title（参考訳）: 科学的関係予測のための時系列進化概念グラフ
• Abstract要約: 本稿では,意味的および構造的進化を協調的にモデル化する時間整合型概念グラフフレームワークを提案する。 その中核となる考え方は、日付付き論文を共有更新イベントとして扱い、各予測時間を通じて同じ出版履歴から意味的および構造的状態を再構築することである。 アーキテクチャの保持と、修正された、更新されたコンテキストとグラフの更新は、凍結したコンテキストに対する平均関係AUPRCを16.6%改善する。
• 参考スコア（独自算出の注目度）: 3.6148661349421176
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting scientific relations can guide discovery by identifying promising connections before they emerge. Existing approaches often model concept semantics and graph structure separately or summarize semantics over coarse historical snapshots, leaving semantic representations potentially misaligned with rapidly evolving graph evidence. We propose a time-aligned evolving concept graph framework that jointly models semantic and structural evolution. Its core idea is to treat dated papers as shared update events, reconstructing semantic and structural states from the same publication history through each prediction time. Pair-level fusion combines these states to forecast first co-occurrence, relation formation, and conditional relation type. Holding architecture and training fixed, refreshing context alongside graph updates improves mean relation AUPRC by 16.6% over frozen context. On a graph built from 187,848 papers with 270,687 concepts and 7.45 million co-occurrence links, the complete framework improves mean relation AUROC from 0.9290 for the strongest evaluated baseline to 0.9722, with mean population-weighted AUPRC 0.005778.
• Abstract（参考訳）: 科学的関係を予測することは、発見が現れる前に有望なつながりを特定することによって発見を導くことができる。 既存のアプローチでは、概念意味論とグラフ構造を別々にモデル化したり、粗い歴史的スナップショットを要約したりすることがよくある。 本稿では,意味的および構造的進化を協調的にモデル化する時間整合型概念グラフフレームワークを提案する。 その中核となる考え方は、日付付き論文を共有更新イベントとして扱い、各予測時間を通じて同じ出版履歴から意味的および構造的状態を再構築することである。 ペアレベル融合はこれらの状態を組み合わせて、最初の共起、関係形成、条件関係型を予測する。 アーキテクチャの保持と、修正された、更新されたコンテキストとグラフの更新は、凍結したコンテキストに対する平均関係AUPRCを16.6%改善する。 270,687のコンセプトと7.45万の共起リンクを持つ187,848の論文からなるグラフ上で、完全なフレームワークはAUROCの平均関係を0.9290から0.9722に改善し、平均人口重み付きAUPRC 0.005778となる。

関連論文リスト

• EventConnector: Mining Social Event Relations through Temporal Graphs [30.803277876468943]
  textitEventConnectorは、一時的なイベントグラフを構築するフレームワークである。 textbfEC-Fusionは、EventConnectorのグラフベースのスコアを補完的なGranger-Causal信号で融合する適応的な検索メカニズムである。
  論文  参考訳（メタデータ） (2026-06-13T19:44:57Z)
• zrLLM: Zero-Shot Relational Learning on Temporal Knowledge Graphs with Large Language Models [33.10218179341504]
  埋め込み型TKGF法において,大規模言語モデルを用いて関係表現を生成する。 本稿では,TKGFモデルが従来見つからなかった関係で事実を予測する上で,より優れた性能を実現する上で有効であることを示す。
  論文  参考訳（メタデータ） (2023-11-15T21:25:15Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• Self-Supervised Relation Alignment for Scene Graph Generation [44.3983804479146]
  シーングラフ生成性能を改善するために,自己教師付きリレーショナルアライメントの正規化を導入する。 提案されたアライメントは一般的なもので、既存のシーングラフ生成フレームワークと組み合わせることができる。 本稿では,この自己教師付きリレーショナルアライメントと2つのシーングラフ生成アーキテクチャの有効性について述べる。
  論文  参考訳（メタデータ） (2023-02-02T20:34:13Z)
• Learning Representations of Entities and Relations [0.0]
  この論文は,リンク予測タスクに取り組むことを目的とした知識グラフ表現の改善に焦点を当てている。 最初のコントリビューションはHypERであり、リンク予測性能を単純化し改善する畳み込みモデルである。 第2のコントリビューションは比較的単純な線形モデルであるTuckERで、このモデルが導入された時点では、最先端のリンク予測性能が得られた。 第3の貢献は、双曲空間に埋め込まれた最初のマルチリレーショナルグラフ表現モデルである MuRP である。
  論文  参考訳（メタデータ） (2022-01-31T09:24:43Z)
• Link Prediction on N-ary Relational Facts: A Graph-based Approach [18.01071110085996]
  知識グラフ(KG)のリンク予測は重要な研究トピックである。 本稿では,n-項関係の事実に対するリンク予測を考察し,この課題に対するグラフベースアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-18T12:40:35Z)
• Temporal Knowledge Graph Reasoning Based on Evolutional Representation Learning [59.004025528223025]
  将来の事実を予測する鍵は、歴史的事実を徹底的に理解することです。 TKGは実際には異なるタイムスタンプに対応するKGのシーケンスである。 グラフ畳み込みネットワーク(GCN)に基づく新しいリカレント進化ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-04-21T05:12:21Z)
• xERTE: Explainable Reasoning on Temporal Knowledge Graphs for Forecasting Future Links [21.848948946837844]
  本稿では,時間的KGのクエリ関連部分グラフを理由とするリンク予測フレームワークを提案する。 本稿では,囲い込み部分グラフの抽出を導くための時間的関係性注意機構と新しい逆表現更新方式を提案する。 我々のアプローチは予測を説明する人間の理解可能な証拠を提供する。
  論文  参考訳（メタデータ） (2020-12-31T10:41:01Z)
• R-VGAE: Relational-variational Graph Autoencoder for Unsupervised Prerequisite Chain Learning [83.13634692459486]
  本稿では,概念リソースノードからなるグラフ内の概念関係を予測するために,グラフオートエンコーダ(VGA-E)と呼ばれるモデルを提案する。 その結果, 教師なし手法は, グラフベースの半教師付き手法やベースライン法よりも9.77%, 10.47%, 前提条件関係予測精度とF1スコアに優れていた。 提案手法は,教師なし事前学習のタスクに深層学習表現を適用しようとする最初のグラフベースモデルである。
  論文  参考訳（メタデータ） (2020-04-22T14:48:03Z)

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。