DPCL-Diff: The Temporal Knowledge Graph Reasoning Based on Graph Node Diffusion Model with Dual-Domain Periodic Contrastive Learning

要約

将来の欠落している事実を推測するテンポラル ナレッジ グラフ (TKG) 推論は、不可欠かつ困難なタスクです。
将来の出来事の予測は通常、密接に関連する歴史的事実に依存しており、反復的または周期的な出来事に対してより正確な結果が得られます。
ただし、歴史的な相互作用がまばらな将来のイベントの場合、高頻度の履歴情報の活用に焦点を当てたこの方法の有効性は低下します。
最近、画像生成における拡散モデルの機能により、TKG 推論に新たな機会が開かれました。
したがって、デュアルドメイン周期的対比学習 (DPCL-Diff) を使用したグラフ ノード拡散モデルを提案します。
グラフ ノード拡散モデル (GNDiff) は、疎に関連するイベントにノイズを導入して新しいイベントをシミュレートし、実際の分布によりよく適合する高品質のデータを生成します。
この生成メカニズムにより、新しいイベントについて推論するモデルの能力が大幅に強化されます。
さらに、デュアルドメイン周期対比学習 (DPCL) は、周期的および非周期的イベント エンティティをポアンカレ空間とユークリッド空間にマッピングし、その特性を活用して類似した周期的イベントを効果的に区別します。
4 つの公開データセットに関する実験結果は、DPCL-Diff がイベント予測において最先端の TKG モデルよりも大幅に優れていることを示し、私たちのアプローチの有効性を示しています。
この研究では、TKG タスクにおける GNDiff と DPCL の組み合わせの有効性も調査しています。

要約(オリジナル)

Temporal knowledge graph (TKG) reasoning that infers future missing facts is an essential and challenging task. Predicting future events typically relies on closely related historical facts, yielding more accurate results for repetitive or periodic events. However, for future events with sparse historical interactions, the effectiveness of this method, which focuses on leveraging high-frequency historical information, diminishes. Recently, the capabilities of diffusion models in image generation have opened new opportunities for TKG reasoning. Therefore, we propose a graph node diffusion model with dual-domain periodic contrastive learning (DPCL-Diff). Graph node diffusion model (GNDiff) introduces noise into sparsely related events to simulate new events, generating high-quality data that better conforms to the actual distribution. This generative mechanism significantly enhances the model’s ability to reason about new events. Additionally, the dual-domain periodic contrastive learning (DPCL) maps periodic and non-periodic event entities to Poincar\’e and Euclidean spaces, leveraging their characteristics to distinguish similar periodic events effectively. Experimental results on four public datasets demonstrate that DPCL-Diff significantly outperforms state-of-the-art TKG models in event prediction, demonstrating our approach’s effectiveness. This study also investigates the combined effectiveness of GNDiff and DPCL in TKG tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google