temporal knowledge graph
PulseAugur coverage of temporal knowledge graph — every cluster mentioning temporal knowledge graph across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
质量感知注意力机制提升了AI模型的信息保留能力
研究人员开发了一种名为质量感知注意力机制（Mass-Aware Attention, MAA）的新型注意力机制，旨在提高AI模型内部表征的信息量。标准的注意力机制在累积证据时会丢失信息，尤其是在模式重复的情况下。MAA通过将L1归一化推广到Lp族来解决这个问题，允许表征以不同的速率缩放，并保留有关输入数量的信息。该方法在各种时间图模型和数据集上显示出改进，增强了图统计和优先依附的恢复能力。
-
新的RAPTOR方法提高了时序知识图谱推理效率
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。
-
新的GAttNHP模型增强了时间知识图谱的预测能力
研究人员开发了一个名为Group Attention Neural Hawkes Process (GAttNHP)的新框架，以改进时间知识图谱（TKGs）的预测。该模型解决了编码长距离时间依赖性、建模事件链之间的相互激发以及处理重尾到达间隔时间等挑战。GAttNHP利用自注意力编码器、语义软分组模块和非交叉分位数回归头，在六个基准数据集的实体和时间预测任务上取得了更好的性能。
-
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。
-
新的合成生成器在分布变化下评估TKG预测模型
研究人员开发了一个合成TKG生成器，用于在受控的分布变化下评估预测模型。研究发现，虽然周期性和规律性通常是可恢复的，但潜在实体社区结构的变化对模型的适应性提出了重大挑战。这项工作旨在增进对TKG模型在面对时间分布变化时的能力和局限性的理解。
-
新TeRoR方法增强了时间知识图谱嵌入能力
研究人员推出了一种新颖的时间知识图谱（TKG）嵌入方法TeRoR，旨在改进现有方法（如TeRo）。TeRoR解决了在建模多样化关系映射属性（例如一对多）和更有效地表达时间信息方面的局限性。该方法通过解耦实体嵌入的时间演化，并在复杂的向量空间中对头实体和尾实体应用独立的旋转变换来实现。此外，它训练一个半径来约束旋转后的头实体位于以尾实体为中心的圆形区域内，从而捕获各种关系特征。实验结果表明，TeRoR在四个TKG数据集上的表现与最先进的…
-
新研究用时序知识图谱增强大语言模型
两篇新研究论文介绍了用时序知识增强大语言模型（LLMs）的新方法。第一篇，DYNA，使用动态情景记忆网络，通过时序知识图谱增强冻结的LLMs，减少灾难性遗忘并改善时间排序。第二篇，AdaTKG，提出了一种自适应记忆系统，其中实体表示在每次交互时得到优化，从而能够持续学习并更好地推理时序知识图谱中不断演变的事件。
-
新的RCTEA框架增强了知识图谱中的时间实体对齐
研究人员推出RCTEA，一个用于时间实体对齐（TEA）的新框架，旨在改进时间知识图谱（TKGs）中等效实体的识别。该框架通过联合考虑结构和时间特征，并纳入信息丰富度以实现更有效的消息传递，从而解决了现有模型的局限性。RCTEA利用丰富度引导的注意力机制和特征融合的自适应加权策略，以及双视图邻域共识算法来优化特征编码器并确保稳健的对齐。