PulseAugur
中
实时 14:19:51
English(EN) Reachability-Aware Pretraining for Efficient Target-Oriented Path Exploration in Temporal Knowledge Graph Reasoning

新的RAPTOR方法提高了时序知识图谱推理效率

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了RAPTOR，一种新颖的预训练方法，旨在提高时序知识图谱（TKG）推理的效率。这种自监督方法将可达性感知的归纳偏置注入到智能体中，使其能够更好地估计动作导向目标实体的潜力。通过减少对无望路径的探索，RAPTOR为强化学习（RL）微调提供了强大的初始化，从而在ICEWS14、ICEWS05-15和ICEWS18等数据集上显著提高了训练效率和性能。 AI

影响 提高了时序知识图谱推理的效率，可能改进对未来事件的预测。

排序理由 该集群包含一篇详细介绍时序知识图谱推理新方法的论文。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的RAPTOR方法提高了时序知识图谱推理效率

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Chien-Liang Liu, Tsao-Lun Chen ·

    面向目标路径探索的具有可达性感知的预训练方法用于时序知识图谱推理

    arXiv:2607.14886v1 Announce Type: new Abstract: Temporal Knowledge Graph (TKG) reasoning under the extrapolation setting focuses on forecasting future time-stamped events (facts) from historical data in a temporal knowledge graph. Existing approaches, reinforcement learning (RL)-…

  2. arXiv cs.AI TIER_1 English(EN) · Tsao-Lun Chen ·

    面向目标导向路径探索的 Reachability 感知预训练方法用于时序知识图谱推理

    Temporal Knowledge Graph (TKG) reasoning under the extrapolation setting focuses on forecasting future time-stamped events (facts) from historical data in a temporal knowledge graph. Existing approaches, reinforcement learning (RL)-based multi-hop reasoning methods are prominent …

相关实体

相关话题