Jan, 2024

时间图：基于图的时间推理

PDF
TL;DR提出了一种名为 TimeGraphs 的新方法，将动态交互以分层的时间图形式建模，通过自监督方法构建多层次事件层次结构，有效地进行非均匀分布的动态推理。在多个数据集上评估 TimeGraphs 的性能，包括足球模拟器、Resistance 游戏和 MOMA 人体活动数据集，结果表明 TimeGraphs 在各种时间推理任务上都具有鲁棒性和效率，相比当前方法，在事件预测和识别任务上性能提升高达 12.2％。实验进一步证明了 TimeGraphs 的零样本泛化能力、对稀疏数据鲁棒性以及适应流数据的能力。
temporal reasoningtime seriesdynamic interactionshierarchical temporal graphevent prediction
发现论文，激发创造
  • 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

  • 活动识别的时间推理图

    本文提出了一种高效的时间推理图 (TRG), 用于同时捕捉视频序列之间的外观特征和时间关系。通过构建可学习的时间关系图来探索多尺度范围上的时间关系。在多头时间邻接矩阵的帮助下，提出了一个多头时间关系聚合器来提取那些通过图卷积计算的特征的语义含义。实验证明，通过我们的 TRG 进行时间关系推理可以提取用于活动识别的判别特征。

    Aug, 2019

  • 知进：基于深度时间推理的动态知识图谱

    本文提出了一种新颖的深度进化知识网络，其可在动态知识图中学习非线性演变的实体表示，并通过多元点过程和基于学习实体嵌入的评分来建模事实（边）的发生。我们的方法在现实世界的两个大规模数据集上比各种关系学习方法都具有显著的性能改进；此外，我们的方法有效地预测事实的发生或再次发生时间，这是多关系推理方法中的一种新颖方法。

    May, 2017

  • 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

  • 利用时间知识图谱中的相对时间进行软件工程事件建模

    该论文介绍了在 GitHub 上基于日常交互构建多关系时间知识图谱的方法，并在该数据集上进行了一系列相关问题的实验，结果表明现有的时间模型在外推和时间预测查询方面表现不佳，我们通过使用相对时间信息来扩展现有的时间模型，从而克服这些缺点并回答广泛的软件工程问题。

    Jul, 2020

  • TimeGNN：时间序列预测的时间动态图学习

    TimeGNN 是一种学习动态时间图表示的方法，能够捕捉多个系列的相关性和交互模式的演变，并在预测性能方面实现比其他先进的基于图的方法快 4 到 80 倍的推理时间。

    Jul, 2023

  • 关于一种针对时间感知知识图谱的广义框架

    该论文旨在提供时间感知知识图扩展的简要但定义明确的概述，以促进该领域的未来研究。

    Jul, 2022

  • TLogic: 基于时间知识图谱的可解释链接预测的时间逻辑规则

    TLogic 是一个可解释的框架，它基于通过时间随机游走提取的时间逻辑规则，用于处理时间知识图中的链接预测。与现有技术相比，在具有共同词汇表的相关数据集上，TLogic 能够更好地解释和推理，并提供更好的综合性能。

    Dec, 2021

  • 可解释的时间知识图谱推理用于未来链接预测

    提出了一种基于关系注意力机制和反向表示更新策略的时间动态知识图谱链接预测框架，构建查询相关子图来预测图结构中未来的连接情况，具有更好的解释性和推荐准确率。

    Dec, 2020

  • 对图中时间马尔可夫动态进行编码以用于可视化和挖掘时间序列数据

    利用一阶马尔可夫过程基于复杂网络来可视化时间序列，以更好地保留时间依赖性和频率结构，并提供更好的可视化探索和统计分析。

    Oct, 2016