带不确定性建模时序知识图谱的演化
机器学习
2023-01-13 v1 人工智能
摘要
预测未来事件是时序知识图谱（tKG）面临的一项根本性挑战。正如在现实生活中，预测一个均值函数在大多数时候是不够的，问题仍然是我们对我们的预测有多大信心？因此，在这项工作中，我们将引入一种新颖的图神经网络架构（WGP-NN），它利用（加权）高斯过程（GP）来联合建模事件发生概率的时序演化及其随时间变化的不确定性。特别是，我们利用高斯过程通过其预测方差的能力来建模未来链接的不确定性。这与现有工作形成对比，现有工作只能表达学习到的实体表示中的不确定性。此外，WGP-NN 可以在连续时间内对 tKG 的无参数复杂时序和结构动力学进行建模。我们进一步在两个真实世界基准数据集上展示了该模型的最新性能。
引用
@article{arxiv.2301.04977,
title = {Modeling the evolution of temporal knowledge graphs with uncertainty},
author = {Soeren Nolting and Zhen Han and Volker Tresp},
journal= {arXiv preprint arXiv:2301.04977},
year = {2023}
}
备注
10 pages, 1 figure