Jan, 2023

建模带有不确定性的时间知识图谱的演化

PDF
TL;DR本研究采用新型 WGP-NN 图神经网络架构，结合高斯过程对事件发生概率的时间演化及其不确定性进行联合建模，能够在表示实体不确定性的基础上，预测未来链接的不确定性，并且可以连续时间建模 tKG 的复杂时空动态，经测试在两个真实世界基准数据集上表现出最先进的性能。
发现论文，激发创造
  • 异步时间事件预测的不确定性

    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

  • 基于图霍克斯神经网络的时序知识图谱预测

    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

  • 基于神经 ODE 的时态知识图预测

    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

  • GenTKG：时序知识图谱上的生成预测

    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

  • 基于演化表征学习的时间知识图谱推理

    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

  • 时间感知逻辑路径神经网络用于时态知识图谱推理

    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

  • EvoKG: 联合建模事件时间和网络结构，用于在时间知识图上进行推理

    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

  • 时序网络的高斯嵌入

    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

  • 基于时间图的动态图深度学习

    本文提出了一种称为 TGN 的新型深度学习框架，可以有效地在动态图形学中学习演化特征或连接。

    Jun, 2020

  • 图学习的不确定性量化：一项综述

    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