要約
時間的知識グラフの未来イベント予測を改善する新フレームワーク「CID-TKG」が研究者らにより提案された。 歴史的不変グラフと進化的ダイナミクスグラフを協調学習し、関係分解でグラフ間の意味的乖離を緩和。 既存手法が見落とす短期・長期パターンを統合し、KG推論の予測精度向上に貢献する。
知識グラフ推論に新手法CID-TKG登場
CID-TKG: Collaborative Historical Invariance and Evolutionary Dynamics Learning for Temporal Knowledge Graph Reasoning
原文を読む →
https://arxiv.org/abs/2604.09600
本論文は時間的知識グラフ（TKG: Temporal Knowledge Graph）推論の課題に取り組む。TKGとは「エンティティ（人物・組織等）と関係が時間とともに変化するグラフ構造」であり、未来のイベントを予測するタスクが中心となる。既存手法の多くは時間不変な構造のみを利用するか、時間依存性を弱くしか考慮しないため、短期的な変化パターンを見逃す問題があった。CID-TKGはこの問題を解決するため、（1）長期的な構造的規則性を捉える「歴史的不変グラフ」と（2）短期的な時間遷移を捉える「進化的ダイナミクスグラフ」の2種類のグラフを構築し、それぞれ専用エンコーダで表現を学習する。さらに、2つのグラフ間で意味的な不整合が生じやすい問題に対し、関係（リレーション）を分解する手法を導入して乖離を緩和する。複数のTKGベンチマーク（ICEWS14, ICEWS18, GDELT等）での実験では、既存のTKGR手法を上回るMRR・Hits@kを達成したとされる。LLMとの直接比較はないが、グラフ構造に特化した本手法は知識グラフ推論における実用的な改善を提供し、金融・医療・ニュースイベント予測などへの応用が期待される。