論文の概要: Learning Across Temporal Graph Representation Silos

• arxiv url: http://arxiv.org/abs/2610.19576v1
• Date: Wed, 14 Oct 2026 04:42:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.962917
• Title: Learning Across Temporal Graph Representation Silos
• Title（参考訳）: 時間グラフ表現サイロ間の学習
• Abstract要約: 連続時間動的グラフ(CTDG)と時間知識グラフ(TKG)の間には,関係履歴から学習した構造が再利用可能であることを示す。 また,TKG と CTDG の事前学習者は,エンティティや関係意味的アライメントを伴わずに,第3のデータセットの予測を改善するために,スコアレベルで融合することも示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal graph data are recorded in different representations, but whether these differences also determine the scope of learned knowledge reuse remains unclear. This study investigates whether predictive structure learned from relational histories can be reused between continuous-time dynamic graphs (CTDGs) and temporal knowledge graphs (TKGs). Bidirectional reuse emerges while retaining distinct input and prediction interfaces and independent vocabularies, and sources with the same representation are not always more useful. Controlled reorganizations of source histories show that the organization contributing to reuse varies across source-target conditions. We show that learned aspects of Relational Dynamics, the predictive structure present in relational histories, can be reused across conventional representation boundaries. Independently pretrained TKG and CTDG learners can also be fused at the score level to improve prediction on a third dataset without entity or relation-semantic alignment. Two proofs of concept in recommendation and security detection illustrate that external temporal sources without direct alignment can also become useful pretraining resources.
• Abstract（参考訳）: 時間グラフデータは異なる表現で記録されるが、これらの違いが学習知識の再利用範囲も決定するかどうかは不明だ。 本研究では, 連続時間動的グラフ (CTDG) と時間的知識グラフ (TKG) の間で, 関係履歴から学習した予測構造を再利用できるかどうかを検討する。 異なる入力と予測インターフェイスと独立した語彙を維持しながら双方向の再利用が出現し、同じ表現を持つソースは必ずしも有用ではない。 ソースヒストリーの制御された再編成は、再利用に寄与する組織がソースターゲット条件によって異なることを示している。 本研究では,関係履歴に存在する予測構造であるリレーショナル・ダイナミクスの学習的側面が,従来の表現境界を越えて再利用可能であることを示す。 独立に事前訓練されたTKGとCTDGの学習者はスコアレベルで融合し、エンティティや関係意味のアライメントなしに第3のデータセットの予測を改善することができる。 推奨とセキュリティ検出における2つの概念の証明は、直接アライメントのない外部の時間的情報源も、事前学習リソースとして有用であることを示している。

関連論文リスト

• CID-TKG: Collaborative Historical Invariance and Evolutionary Dynamics Learning for Temporal Knowledge Graph Reasoning [30.500753683144378]
  時間的知識グラフ(TKG)推論は、時間的に進化する実体や関係から、目に見えないタイムスタンプで将来の事実を推測することを目的としている。 本稿では,進化力学と歴史的不変性セマンティクスを推論のための効果的な帰納的バイアスとして統合した,TKGR(dubed CID-TKG)のための新しい協調学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-09T03:28:57Z)
• Towards Foundation Model on Temporal Knowledge Graph Reasoning [17.165969719351125]
  時間的知識グラフ(TKG)は、時間的事実を4重形式(s, p, o, t)で格納する。 新しいモデルは、細粒度時間パターンを捉えるために正弦波位置符号化を用いる。 PostRAは、目に見えない時間的知識グラフに強いゼロショット性能を示す。
  論文  参考訳（メタデータ） (2025-06-04T09:19:49Z)
• Learning Granularity Representation for Temporal Knowledge Graph Completion [2.689675451882683]
  時間的知識グラフ(TKG)は、実世界の事実の動的な構造的知識と進化的パターンを反映する時間的情報を含んでいる。 本稿では,TKG 補完のための textbfLearning textbfGranularity textbfRepresentation (termed $mathsfLGRe$) を提案する。 グラニュラリティ・ラーニング(GRL)とアダプティブグラニュラリティ・バランシング(AGB)の2つの主要コンポーネントから構成される。
  論文  参考訳（メタデータ） (2024-08-27T08:19:34Z)
• Learning Multi-graph Structure for Temporal Knowledge Graph Reasoning [3.3571415078869955]
  本稿では,LMS(Learning Multi-graph Structure)に着目した革新的な推論手法を提案する。 LMSは、タイムスタンプに沿って効果的にエンティティ表現をマージするための適応ゲートを組み込んでいる。 また、タイムスタンプのセマンティクスをグラフアテンション計算や時間認識デコーダに統合する。
  論文  参考訳（メタデータ） (2023-12-04T08:23:09Z)
• Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
  本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。 このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。 さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T15:38:25Z)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)
• DyTed: Disentangled Representation Learning for Discrete-time Dynamic Graph [59.583555454424]
  離散時間動的グラフ、すなわちDyTedのための新しいディペンタングル表現学習フレームワークを提案する。 本研究では,時間不変の表現と時間変動の表現を効果的に識別する構造的コントラスト学習とともに,時間的クリップのコントラスト学習タスクを特別に設計する。
  論文  参考訳（メタデータ） (2022-10-19T14:34:12Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。