CID-TKG：時間的知識グラフ推論のための協調的歴史不変性と進化ダイナミクスの学習

Abstract

時間的知識グラフ（TKG）推論は、時間的に変化するエンティティと関係から、未観測の時刻における将来の事実を推論することを目的とします。近年の進展にもかかわらず、既存の手法はその帰納バイアスに起因する本質的な制約のために、依然として不十分です。具体的には、時間不変、または弱く時間依存な構造に主として依存しており、進化ダイナミクスを見落としているためです。この制約を克服するために、本研究ではTKGR（CID-TKGと呼ぶ）のための新しい協調学習フレームワークを提案します。このフレームワークは、推論に有効な帰納バイアスとして進化ダイナミクスと歴史的不変性セマンティクスを統合します。具体的には、CID-TKGは、長期的な構造的規則性を捉えるための歴史的不変性グラフと、短期的な時間的遷移をモデル化するための進化ダイナミクスグラフを構築します。その後、それぞれの構造から表現を学習するために専用のエンコーダを用います。2つの構造間におけるセマンティックの不一致を緩和するために、関係をビュー固有の表現へと分解し、対照的目的関数を通じてビュー固有のクエリ表現を整合させます。これにより、ビュー間の一貫性が促進される一方で、ビュー固有のノイズが抑制されます。広範な実験により、当社のCID-TKGが外挿設定において最先端の性能を達成することが検証されています。