新的GRATE方法增强了时间知识图谱基础模型

研究人员推出了一种名为GRATE（Gated Rotary Attention for Temporal Encoding）的新方法，旨在增强知识图谱基础模型的时间可迁移性。GRATE通过编码时间相对差异来实现，不引入新的可学习参数，并使用条件门控来选择相关时间信号。该方法与现有的NBFNet风格模型无缝集成，同时保持结构可迁移性。为了评估GRATE在具有不相交词汇的归纳迁移任务上的性能，开发了新的基准套件GDELTIndT和WIKIIndT。 AI

影响 增强了知识图谱基础模型的时间推理能力，可能改进依赖于时间敏感数据的应用。

排序理由 该集群包含一篇学术论文，详细介绍了一种新的知识图谱基础模型方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• arXiv
• Gated Rotary Attention for Temporal Encoding
• GDELTIndT
• GRATE
• Knowledge graph foundation models
• NBFNet
• Temporal knowledge graphs
• Trix
• WIKIIndT

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →