新興エンティティを伴う時間的知識グラフに対する帰納的推論

Abstract

時間的知識グラフ（TKGs）における推論は、将来の出来事や時間を意識した事実を予測するために不可欠です。既存の手法は関係のダイナミクスを捉える点で有効ですが、その性能はクローズドワールド仮定によって制限されており、学習データに存在しない新たに出現するエンティティを考慮できません。特に、これらのエンティティは歴史的な相互作用を持たないまま、継続的にネットワークへ参加します。実証的な調査により、新たに出現するエンティティはTKGsに広く存在し、全エンティティの約25 m%を占めることが明らかになっています。これらのエンティティが過去に相互作用した履歴がないことは、推論タスクにおける大幅な性能低下を引き起こします。一方で、意味的に類似したエンティティはしばしば相互作用履歴が類似していることを観察しており、移転可能な時間パターンの存在が示唆されます。この洞察に触発されて、転移可能な帰納的推論（TransFIR: Transferable Inductive Reasoning）という新しい枠組みを提案します。これは、意味的に類似した既知のエンティティからの履歴的な相互作用系列を活用することで、帰納的推論を支援するものです。具体的には、コードブックベースの分類器を提案し、新たに出現するエンティティを潜在的な意味クラスタに分類します。これにより、それらが類似したエンティティから推論パターンを取り入れることを可能にします。実験結果は、TransFIRが新たに出現するエンティティに対する推論において、すべてのベースラインを上回ることを示しており、複数のデータセットにわたって平均28.6 m%のMean Reciprocal Rank（MRR）の改善を達成しています。実装は https://github.com/zhaodazhuang2333/TransFIR で公開されています。