論文の概要: DyHist: Query-Aware Historical Dynamics Modeling for Temporal Knowledge Graph Extrapolation

• arxiv url: http://arxiv.org/abs/2610.33473v1
• Date: Sat, 24 Oct 2026 05:51:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.336381
• Title: DyHist: Query-Aware Historical Dynamics Modeling for Temporal Knowledge Graph Extrapolation
• Title（参考訳）: DyHist: 時間的知識グラフ外挿のためのクエリ対応履歴ダイナミクスモデリング
• Abstract要約: 時間的知識グラフ(TKG)の外挿は、観測された歴史的出来事から将来の事実を予測することを目的としている。 既存の手法は通常、地域の歴史の進化と長距離の歴史的文脈を共同でモデル化することでこの目標を達成する。 我々はTKG外挿のためのクエリ対応履歴力学モデリングフレームワークDyHistを提案する。
• 参考スコア（独自算出の注目度）: 8.680872220093336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal Knowledge Graph (TKG) extrapolation aims to predict future facts from observed historical events. Existing methods usually achieve this goal by jointly modeling local historical evolution and long-range historical contexts. First, local evolution modeling often summarizes local history into an overall evolving representation, where query-relevant local deviations may not be sufficiently exploited as useful predictive features. Second, existing long-range history modeling often treats historical recurrence as a stable cue, while overlooking that its reliability may vary across relations and recent contexts. To address these issues, we propose DyHist, a query-aware historical dynamics modeling framework for TKG extrapolation. DyHist captures local dynamics by separating recent evidence from medium-range contexts and explicitly modeling their query-relevant deviations as predictive features. It further uses a relation-aware historical prior to calibrate candidate scores with time-decayed support, recent trends, and relation-specific strength, enabling recurrence signals to contribute differently across relations and recent contexts. Experiments on four benchmarks show that DyHist achieves the best MRR against recent baselines. Code is available at https://github.com/PANPANKK/DyHist.
• Abstract（参考訳）: 時間的知識グラフ(TKG)の外挿は、観測された歴史的出来事から将来の事実を予測することを目的としている。 既存の手法は通常、地域の歴史の進化と長距離の歴史的文脈を共同でモデル化することでこの目標を達成する。 まず、局所的進化モデリングは、しばしば局所的な歴史を総合的に進化する表現に要約する。 第二に、既存の長距離履歴モデリングは、しばしば歴史的再発を安定したキューとして扱うが、その信頼性は関係や最近の文脈によって異なる可能性がある。 このような問題に対処するために,TKG外挿のためのクエリ対応履歴力学モデリングフレームワークDyHistを提案する。 DyHistは、最近の証拠を中規模コンテキストから分離し、クエリ関連逸脱を予測的特徴として明示的にモデル化することで、ローカルなダイナミクスをキャプチャする。 さらに、リレーション・アウェア・ヒストリーを使用して、候補スコアを校正し、時差のある支持、最近の傾向、そして関係固有の強度を計測し、リレーション・シグナルが関係や最近の文脈で異なる貢献をすることができる。 4つのベンチマーク実験により、DyHistは最近のベースラインに対して最高のMRRを達成することが示された。 コードはhttps://github.com/PANPANKK/DyHist.comで入手できる。

関連論文リスト

• SEER: Self-Evolving Event Reasoning and Retrieval for Time Series Forecasting [78.20370240878118]
  時系列予測のためのイベントコンディショニングを動的に最適化するクローズドループフレームワークSEER(Self-Evolving Event Reasoning and Retrieval)を提案する。 SEERは予測エラーを2つの分離されたフィードバックメカニズムに変換する。 イベント検索とリフレクションの両方にわたって厳格な時間境界を強制し、ルックアヘッドバイアスとデータ漏洩を防止する。
  論文  参考訳（メタデータ） (2026-10-02T22:30:10Z)
• TFGformer: Multivariate Time Series Forecasting via Time-Frequency Graph Learning and Covariate Fusion [12.980172248250257]
  本稿では,形状認識メモリ(SAM)とRevIN正規化を統合した検索拡張予測フレームワークを提案する。 7つの公開ベンチマークの実験では、CrossRAGはパラメトリックのみのベースラインと既存の検索拡張予測手法の両方を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-07-31T14:24:26Z)
• DynaGen: Unifying Temporal Knowledge Graph Reasoning with Dynamic Subgraphs and Generative Regularization [18.20653307034815]
  時間的知識グラフ推論は、タイムラインに沿って行方不明の事実要素を補完することを目的としている。 既存の方法は通常、個々の事実に時間的情報を埋め込んで、行方不明の歴史的知識を完成させる。 我々はDynaGenと呼ばれるTKGRの統一手法を提案する。
  論文  参考訳（メタデータ） (2025-12-14T12:46:07Z)
• STRelay: A Universal Spatio-Temporal Relaying Framework for Location Prediction with Future Spatiotemporal Contexts [23.8690122800167]
  STRelayは全てのケースにおける予測性能を3.19%-1156%改善している。 我々はSTRelayを4つの実世界の軌跡データセット上で4つの最先端位置予測ベースモデルと統合して評価する。 結果、STRelayは全てのケースにおける予測性能を3.19%-1156%改善することを示した。
  論文  参考訳（メタデータ） (2025-08-14T02:44:33Z)
• A Generative Adaptive Replay Continual Learning Model for Temporal Knowledge Graph Reasoning [24.377657990045503]
  本稿では,歴史的実体分布表現を生成し,適応的に再生できるDeep Generative Adaptive Replay(DGAR)手法を提案する。 実験の結果, DGARは, 忘れの推論や緩和において, ベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-06-04T15:44:50Z)
• FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
  時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。 本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:23:41Z)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
  本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。 本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-19T10:15:00Z)
• Deconfounded Video Moment Retrieval with Causal Intervention [80.90604360072831]
  本研究は,ビデオ中の特定のモーメントをテキストクエリに従ってローカライズすることを目的とした,ビデオモーメント検索(VMR)の課題に取り組む。 既存の手法は主に複雑な相互モーダル相互作用によるクエリとモーメントのマッチング関係をモデル化する。 本稿では,クエリとビデオコンテンツが予測に与える影響を捉えるために,構造因果モデルを構築する因果性に着想を得たVMRフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-03T01:33:26Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。