建模带有不确定性的时间知识图谱的演化
该论文提出了两种新的模型,WGP-LN 和 FD-Dir,用于建模基于异步事件序列的预测模型,在预测过程中考虑了时间的影响和不确定性,结合 RNNs 和概率分布,取得了比其他方法更好的预测性能。
Nov, 2019
作者们提出了一种名为 Graph Hawkes Neural Network 的方法,可以用来建模动态图序列中的事件发生,同时还可以预测未来事件发生的时间和类型。实验证明,该方法对于大规模的时态多关系数据库非常有效,例如时间知识图谱。
Mar, 2020
本研究提出一种基于神经常微分方程的多关系图卷积网络连续模型,通过图转换层捕获动态图的转换,实现对时间和结构信息进行连续时间动态嵌入,并在五个基准数据集上进行了大量实验证明,该模型在未来链接预测任务中具有卓越的性能。
Jan, 2021
我们提出了一个新颖的检索增强生成框架 GenTKG,结合了时间逻辑规则检索策略和轻量级参数效率指导,用于在时间知识图上进行生成性预测,证实了大语言模型在时间知识图领域具有巨大潜力,并开辟了时间知识图生成性预测的新领域。
Oct, 2023
本文提出了一种基于递归演化网络的图卷积网络 (RE-GCN) 的模型,以有效地模拟序列的历史事实,捕捉结构依赖性和时间上邻近事实的时序模式,并根据历史的 KG 序列自回归地建模并一并捕获所有事实的时序模式,从而显著提高了六个基准数据集上的时间推理任务的性能和效率。
Apr, 2021
TiPNN 模型以历史时间图为基础,采用统一的图结构来全面捕捉和封装历史信息,并利用查询感知的时间路径模拟与查询相关的历史路径信息,从而实现对时间知识图的推理,并在归纳设置下取得显著性能提升。
Sep, 2023
本研究提出了一种新的方法 EvoKG,能够联合建模事件时间和演化网络结构,采用循环事件建模和基于时间邻域聚合框架模拟 TKG 中的结构和时态动态,使用神经密度估计实现事件时间的准确建模,并通过实验证明了其效果和效率均比现有方法更好。
Feb, 2022
TGNE 是一种创新方法,通过在潜在空间中使用高斯分布的分段线性轨迹将节点嵌入,捕捉结构信息和轨迹的不确定性。结果表明,TGNE 在重新构建未观察到的边交互以及建模不确定性方面具有竞争力。
May, 2024
对图形模型中的不确定性进行量化的最新方法进行了概述,并将其组织为不确定性表示和处理方法,以加深对图形模型中不确定性量化方法的理解,从而提高其在关键应用中的效果和安全性。
Apr, 2024