グラフ構造と知識ガイド編集の融合による解釈可能な時間的知識グラフ推論

TL;DR（結論）

IGETRは、グラフニューラルネットワークが持つ構造的な推論能力と、大規模言語モデルが備える広範な外部知識および文脈理解を戦略的に統合した、時間的知識グラフ推論のための新しいハイブリッドフレームワークです。 この手法は、GNNによる候補パスの抽出、LLMによる論理的矛盾の修正とパスの編集、そしてグラフTransformerによる情報の統合という3段階のパイプラインを通じて、推論の正確性と解釈可能性を高度に両立させています。 標準的なICEWSデータセットを用いた実験では、既存の強力なベースラインモデルを大幅に上回る性能を記録し、特にHits@1で5.6%、Hits@3で8.1%の相対的な精度向上を達成し、時間的一貫性の高い推論が可能であることを示しました。

なぜこの問題か

時間的知識グラフ（TKG）は、エンティティ間の動的な関係や進化するパターンを正確に表現するために、時間の次元を明示的に組み込んだ構造です。この分野における推論の根本的な課題は、予測結果の正確さだけでなく、その推論プロセスが論理的で解釈可能であり、かつ時間的な一貫性を保っていることを保証することにあります。現実世界の出来事は時系列に沿って展開されるため、例えば「交渉」の後に「貿易協定」が続くといった、因果関係や時間的制約を遵守した推論チェーンを生成することが不可欠です。このような時間的モデリングは、都市の交通流予測や人間の行動認識、さらにはモノのインターネットにおけるリソース管理や攻撃検知といった複雑なネットワークシステムにおいても重要な役割を果たします。 しかし、既存の推論手法には大きな限界が存在します。広く採用されているグラフベースの手法は、観測されたデータから構造的な依存関係を捉えることには長けていますが、本質的にデータに縛られています。これらの手法が提供する推論は、既存のグラフ構造に制約されており、深い論理的一貫性というよりも統計的なパターンを反映したものに過ぎません。…

核心：何を提案したのか

本研究では、上述の課題を解決するために、GNNの構造的推論能力とLLMの文脈理解能力を戦略的に組み合わせたハイブリッドフレームワーク「IGETR（Integration of Graph and Editing-enhanced Temporal Reasoning）」を提案しました。このフレームワークの核心は、推論をデータ駆動型かつ知識ガイド型の両面から維持することにあります。IGETRは、推論パスを段階的に洗練させることで、予測精度、解釈可能性、および時間的一貫性を向上させる3段階のパイプラインを構築しています。 第一段階では、時間的GNNを用いて、時間的知識グラフから構造的および時間的に一貫した候補パスを直接抽出します。これにより、推論プロセスが実際のデータに基づいた信頼できる証拠から開始されることを保証します。…

続きはログイン/プランで閲覧できます。