論文の概要: BridgeMem: Causal Dyadic Transition Residuals for Temporal Knowledge Graph Forecasting
- arxiv url: http://arxiv.org/abs/2609.29268v1
- Date: Thu, 24 Sep 2026 09:05:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.805696
- Title: BridgeMem: Causal Dyadic Transition Residuals for Temporal Knowledge Graph Forecasting
- Title（参考訳）: BridgeMem: 時間知識グラフ予測のためのCausal Dyadic Transition Residuals
- Abstract要約: そこで,BridgeMemを導入し,クエリアクタと候補との事前関係がターゲット関係の確率を変化させる方法を推定する。
各候補について、BridgeMemは、t に厳密に先行するペアのイベントを検索し、それらの関係、方向、ラグをエンコードし、それらを確率比補正に変換する。
5つのベンチマークで、BridgeMemは2021年から2026年までの9つのベースラインで、フィルタされた20のMRRとHits@1,3,10の比較を最強に改善した。
- 参考スコア（独自算出の注目度）: 7.386042063378315
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Temporal knowledge graph forecasting aims to infer future relational facts from the temporal structure of observed events. Existing forecasters mainly summarize history through entity states, relation states, paths, or exact recurrence. These views often miss pair-specific transition evidence, that is, the way prior relations between the query actor and a candidate change the odds of the target relation. We introduce BridgeMem, which estimates this quantity as a residual added to the log scores of a frozen full-vocabulary forecaster. For each candidate, BridgeMem retrieves the pair's events that strictly precede t, encodes their relations, directions, and lags, and converts them into a likelihood-ratio correction. A support-adaptive empirical-Bayes reader trusts exact transition counts where they are abundant and backs off to a learned attention estimator where they are sparse. The backbone's own uncertainty gates the correction, so confident queries and candidates without dyadic history are left unchanged. On five benchmarks, BridgeMem improves on the strongest of nine baselines from 2021--2026 in all 20 filtered MRR and Hits@{1,3,10} comparisons, with MRR gains of 0.0213, 0.0164, 0.0216, 0.0112, and 0.0028 over the best prior result. These results show the value of explicit dyadic transition modeling.
- Abstract（参考訳）: 時間的知識グラフ予測は、観測された事象の時間構造から将来の関係事実を推測することを目的としている。
既存の予測者は、主に実体状態、関係状態、経路、または正確な再発を通じて歴史を要約する。
これらのビューは、ペア固有の遷移証拠、すなわち、クエリアクターと候補の間の事前の関係がターゲットの関係の確率を変化させる方法を見逃すことが多い。
凍結した全語彙予測器のログスコアに残余が加わったと推定するBridgeMemを紹介する。
各候補について、BridgeMemは、t に厳密に先行するペアのイベントを検索し、それらの関係、方向、ラグをエンコードし、それらを確率比補正に変換する。
サポート適応型経験的ベイズ読者は、それらが豊富である正確な遷移回数を信頼し、学習された注意推定器に背を向ける。
バックボーン自身の不確実性は修正をゲートするので、ディヤドの歴史を持たない信頼性の高いクエリや候補は変更されない。
5つのベンチマークで、BridgeMemは、20のフィルタMRRとHits@{1,3,10}の比較で2021-2026から2026までの9つのベースラインで最強の改善を達成し、最高の事前結果に対して0.0213, 0.0164, 0.0216, 0.0112, 0.0028となった。
これらの結果は、明示的なdyadicトランジションモデリングの価値を示している。
関連論文リスト
- TimeLitmus: A Diagnostic Benchmark for Cross-Modal Understanding and Explanation Faithfulness in Event-Conditioned Time-Series Prediction [48.104261148149654]
TimeLitmusは、イベント条件付き時系列予測における相互理解と忠実さの説明のための診断ベンチマークである。
TimeLitmusには財務と交通の計4,856件の評価記録がある。
論文 参考訳（メタデータ） (2026-09-21T14:38:49Z) - Do LiDAR Language Models Really Understand Spatio-temporal Relationships? [62.56505727364142]
ベンチマークと診断プロトコルであるLiDAR-Halluを150 nusのシーンで紹介する。
提案プロトコルは,固定回答と候補コンテンツ制御,クロスシーンペアを同一のプロンプトで組み合わせるが,参照応答は逆で,リレーショナルなリコールを行う。
記録された10万の応答の分析は、集合的空間精度によって隠された失敗を明らかにする。
論文 参考訳（メタデータ） (2026-09-21T11:59:07Z) - RAP: Research Attention Prediction Reveals Target-Conditioned Evidence Acquisition Biases [58.92094935632493]
大規模言語モデル(LLM)は研究エージェントとしての役割がますます高まっているが、研究の関心の変化を追跡する能力は評価が難しい。
278のAI/MLフィールドと1,390のエピソードをカバーするローリングベンチマークであるResearch Attention Prediction (RAP)を紹介する。
それぞれのカットオフで、LLMエージェントは時間的に制限されたarXivコーパスを検索し、次の6ヶ月の論文の共有を8つの凍った研究方向にわたって予測する。
論文 参考訳（メタデータ） (2026-09-09T12:15:14Z) - LiFTER: A Grounded Neuro-Symbolic Microscope for Continuous-Time Dynamic Graph Forecasting [0.0]
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。
論文 参考訳（メタデータ） (2026-08-07T03:39:09Z) - Hypothesis Graph Refinement: Hypothesis-Driven Exploration with Cascade Error Correction for Embodied Navigation [9.519753129113651]
身体的エージェントは、信頼性のある長期記憶を維持しながら、部分的に観察された環境を探索する必要がある。
既存のグラフベースのナビゲーションシステムは、探索されていない領域を意味不明として扱い、非効率なフロンティア探索をもたらす。
本稿では,フロンティア予測を依存型グラフメモリにおける修正可能な仮説ノードとして表現するフレームワークである仮説グラフ再定義(HGR)を提案する。
論文 参考訳（メタデータ） (2026-04-05T13:02:18Z) - TRACE: Temporal Rule-Anchored Chain-of-Evidence on Knowledge Graphs for Interpretable Stock Movement Prediction [23.985633276560844]
本稿では,ストックムーブメント予測のための知識グラフに時間的ルールアンコレート・チェーン・オブ・エビデンス(TRACE)を提示する。
S&P500ベンチマークでは、55.1%の精度、55.7%の精度、71.5%のリコール、60.8%のF1が達成されている。
利得は、(i)任意の歩行よりも経済的に意味のあるモチーフを探索することに焦点を当てたルール誘導探索と、(ii)高信頼で完全に根拠のある仮説を集約するテキスト接地統合に起因している。
論文 参考訳（メタデータ） (2026-03-12T22:41:53Z) - 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) - 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) - A Reverse Causal Framework to Mitigate Spurious Correlations for Debiasing Scene Graph Generation [59.473751744275496]
シーングラフ生成(SGG)フレームワークは通常、関係の特徴を抽出する検出器と、それらの関係を分類する分類器を備えている。
このような因果連鎖構造は、検出器の入力と最終的な予測の間に急激な相関をもたらす。
本稿では、因果連鎖構造を逆因果構造に再構築し、分類器の入力を共同創設者として扱うことを提案する。
論文 参考訳（メタデータ） (2025-05-29T13:57:01Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-02T17:13:16Z)
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。