すべての記憶が同じように老いるわけではない：知識グラフにおける適応的減衰の自己発見

アブストラクト: 検索のために用いられる知識グラフでは、すべての事実を同じくらい現在性があるものとして扱います。既存の時間的アプローチは一様な減衰を適用し、知識の種類に関わらず、単一の忘却曲線を用います。本稿では、これが根本的に誤設定であることを示します。すなわち、異なる知識タイプは異なる時間ダイナミクスを示し、主要な検索問題はレイテンシやスループットではなく、クエリ時点で何が重要かを特定することです。
本稿では、一様な減衰を、2つの直交する信号によってパラメータ化された連続減衰サーフェスで置き換える階層的フレームワークを提案します。速度（ある概念が観測される頻度）と、ボラティリティ（観測間で値がどれだけ変化するか。埋め込み距離により測定）です。減衰サーフェスは、3つの学習可能なレベルに分解されます。ドメイン・レベルのパラメータは普遍的なパターンを捉えます（ある述語は本質的に恒久的で、別の述語は本質的に一時的です）。コンテキスト・レベルのパラメータは、状況依存の変動を捉えます。そしてエンティティ・レベルの適応により、特定の対象に対して減衰が個別化されます。これらすべてのパラメータは、観測された値の寿命に対する生存分析によりデータから導出され、事前に定義された分類体系やドメイン知識は不要です。
本稿では、エッジ寿命を生存問題として定式化します。ここでイベントは、現在の値に対して意味的に異なる値が取って代わる「値の上書き（value supersession）」であり、単なる再観測とは区別されます。合成の時間的知識グラフに対する実験では、埋め込まれた階層パラメータの回復が示されます（HDBSCAN ARI = 1.0）。
Syntheaの臨床EHRシミュレータから得た107のWikipedia記事と1,163件の患者レコードでの検証では、速度・ボラティリティのクラスタが自然に現れ、観測可能な持続性パターンと整合し、ほぼ普遍的にリンドィ効果を示すことがわかります（Weibullの形状パラメータ k < 1）。一様減衰は、時間的重み付けなしの場合より18倍悪化します。異質な減衰はこれを回復し、各階層レベルが測定可能な改善に寄与します。