論文の概要: HiTS-CL: A Continual Learning Framework for Long-Horizon Temporal Knowledge Graph Extrapolation

• arxiv url: http://arxiv.org/abs/2609.36559v1
• Date: Tue, 29 Sep 2026 02:45:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.13139
• Title: HiTS-CL: A Continual Learning Framework for Long-Horizon Temporal Knowledge Graph Extrapolation
• Title（参考訳）: HiTS-CL: 長期的時間的知識グラフ補間のための継続的学習フレームワーク
• Abstract要約: 補間的時間知識グラフ推論(TKGR)は、過去のスナップショットから将来の事実を予測する。 既存のほとんどのメソッドは、タイムラインの初期プレフィックスで一度トレーニングした後、将来のタイムスタンプすべてにフリーズモデルを使用します。 補外的TKGRのためのバックボーン非依存型連続学習フレームワークHiTS-CLを提案する。
• 参考スコア（独自算出の注目度）: 31.659487752068554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extrapolative temporal knowledge graph reasoning (TKGR) predicts future facts from historical snapshots. Most existing methods train once on an early prefix of the timeline and then use a frozen model for all future timestamps. We argue that this fixed-prefix protocol is misaligned with extrapolation. It learns from a static prefix, whereas the target stream is non-stationary: new entities and facts emerge, temporal dependencies shift across regimes, and recurring historical signals must be refreshed online. As a result, models trained only on early snapshots become outdated and degrade over long horizons. We address this mismatch by formulating extrapolative TKGR as continual learning over streaming snapshots. Under this view, effective extrapolation must jointly handle current dynamics, stable knowledge, and recurring historical evidence. Based on these requirements, we propose History-enhanced Two-Step Continual Learning (HiTS-CL), a backbone-agnostic continual learning framework for extrapolative TKGR. HiTS-CL tracks current dynamics via continual fine-tuning, preserves stable knowledge via multi-teacher adaptive distillation, and retains recurring historical evidence via a selective memory of recent and frequent facts. We integrate HiTS-CL into five representative TKGR backbones and evaluate it on four benchmark datasets. HiTS-CL consistently improves extrapolation accuracy, reduces long-horizon degradation, and outperforms strong continual-learning baselines, including a recent method for temporal knowledge graphs. Source code and data are available at https://github.com/liuyansong98/HiTS-CL.
• Abstract（参考訳）: 補間的時間知識グラフ推論(TKGR)は、過去のスナップショットから将来の事実を予測する。 既存のほとんどのメソッドは、タイムラインの初期プレフィックスで一度トレーニングした後、将来のタイムスタンプすべてにフリーズモデルを使用します。 この固定プレフィックスプロトコルは外挿と不一致であると主張する。 静的プレフィックスから学習する一方で、ターゲットストリームは非定常的 – 新しいエンティティと事実が出現し、時間的依存関係がレシシシ間でシフトし、繰り返し発生する履歴信号がオンラインで更新されなければならない。 その結果、初期のスナップショットのみにトレーニングされたモデルは時代遅れになり、長い地平線上で劣化する。 我々は,このミスマッチを,ストリーミングスナップショットよりも連続的な学習として外挿的TKGRを定式化することによって解決する。 この見解の下では、効果的な外挿は、現在の力学、安定した知識、そして繰り返される歴史的証拠を共同で扱う必要がある。 これらの要件に基づいて,外挿的TKGRのためのバックボーンに依存しない連続学習フレームワークHiTS-CLを提案する。 HiTS-CLは、連続的な微調整によって現在の力学を追跡し、マルチティーラー適応蒸留を通して安定した知識を保持し、最近の頻繁な事実を選択的に記憶することで、繰り返される歴史的証拠を保持する。 我々は、HiTS-CLを5つの代表的なTKGRバックボーンに統合し、4つのベンチマークデータセットで評価する。 HiTS-CLは、外挿精度を一貫して改善し、長期劣化を低減し、時間知識グラフの最近の方法を含む強力な連続学習ベースラインを上回っている。 ソースコードとデータはhttps://github.com/liuyansong98/HiTS-CLで公開されている。

関連論文リスト

• Continual Learning for non-stationary regression via Memory-Efficient Replay [1.5749416770494706]
  オンラインタスクフリー連続回帰のためのプロトタイプベース生成再生フレームワークを提案する。 提案手法は適応的な出力空間の離散化モデルを定義し, 原データを保存することなく, 連続回帰のためのプロトタイプベースの生成再生を可能にする。
  論文  参考訳（メタデータ） (2026-02-10T12:22:59Z)
• FOREVER: Forgetting Curve-Inspired Memory Replay for Language Model Continual Learning [63.20028888397869]
  FOREVER(FORgEtting curVe-inspired mEmory)は、リプレイスケジュールをモデル中心の時間の概念と整合させる新しいフレームワークである。 このアプローチに基づいて、ForeVERは、リプレイのタイミングを決定するための曲線ベースのリプレイスケジューラと、リプレイの方法を適応的に制御するインテンシティ対応の正規化機構を組み込んでいる。
  論文  参考訳（メタデータ） (2026-01-07T13:55:14Z)
• Retrofit: Continual Learning with Bounded Forgetting for Security Applications [25.185616916987158]
  本稿では,データ振り返りのない連続学習手法であるRETROFITを提案する。 干渉を軽減するために、独立部分空間にパラメータ変化を限定する低ランクかつスパースな更新を適用する。 時間的ドリフト下でのマルウェア検出では、CLベースラインよりも20.2%から38.6%の保持スコアが大幅に向上し、新しいデータに対するオラクルの上限を超える。
  論文  参考訳（メタデータ） (2025-11-14T16:07:03Z)
• A Selective Learning Method for Temporal Graph Continual Learning [18.793135016181804]
  リアルタイムの時間グラフはしばしば時間とともに新しいノードクラスを導入しますが、既存のTGLメソッドは固定されたクラスのセットを前提としています。 本稿では,新しい問題を時間グラフ連続学習(TGCL)として定義する。 このような置換によって生じる誤差の上限を導出し、古いクラスデータの分布を保ちながら、分類誤差を最小限に抑えるサブセットの選択と学習の目的に変換する。
  論文  参考訳（メタデータ） (2025-03-03T14:22:20Z)
• TS-ACL: Closed-Form Solution for Time Series-oriented Continual Learning [16.270548433574465]
  時系列のクラス増分学習は、破滅的な忘れ物とクラス内のバリエーションの2つの大きな課題に直面している。 そこで, TS-ACLを提案する。これは, 傾きのない閉形式解を利用して, 悲惨な忘れ問題を回避する。 プライバシー保護と効率性も備えている。
  論文  参考訳（メタデータ） (2024-10-21T12:34:02Z)
• Temporal-Difference Variational Continual Learning [77.92320830700797]
  複数の先行推定の正則化効果を統合する新たな学習目標を提案する。 提案手法は, 変分CL法より優れたカタストロフィックフォーミングを効果的に緩和する。
  論文  参考訳（メタデータ） (2024-10-10T10:58:41Z)
• Online Continual Learning with Natural Distribution Shifts: An Empirical Study with Visual Data [101.6195176510611]
  オンライン」連続学習は、情報保持とオンライン学習の有効性の両方を評価することができる。 オンライン連続学習では、入力される各小さなデータをまずテストに使用し、次にトレーニングセットに追加し、真にオンラインにします。 本稿では,大規模かつ自然な分布変化を示すオンライン連続視覚学習のための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2021-08-20T06:17:20Z)

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。