TempReasoner: redes neuronales temporales de grafos para la construcción de líneas de tiempo de eventos

Área de la Ciencia:

• Inteligencia artificial
• Extracción de conocimiento
• Razonamiento temporal

Sus antecedentes:

• La construcción automatizada de líneas de tiempo de eventos a partir de datos temporales no estructurados es un desafío.
• Los métodos existentes tienen dificultades con las dependencias temporales de grano fino, las interacciones escasas de eventos y el orden causal en diferentes dominios.

Objetivo del estudio:

• Proponer TempReasoner, una novedosa red neuronal temporal de grafos para construir líneas de tiempo de eventos automatizadas.
• Abordar las limitaciones de los métodos de razonamiento temporal existentes para conjuntos de datos complejos.

Principales métodos:

• Utiliza una red neuronal temporal de grafos con atención espaciotemporal dinámica y razonamiento temporal reforzado.
• Combina grafos de conocimiento temporales con redes neuronales de grafos adaptativas y un modelo de atención temporal multiescala.
• Emplea un codificador temporal jerárquico con unidades recurrentes con compuerta y una novedosa pérdida de consistencia temporal.

Principales resultados:

• Logra una precisión del 94,3% en la ordenación de líneas de tiempo de eventos en cinco conjuntos de datos de referencia.
• Opera en tiempo real con una latencia promedio de 127 ms por secuencia de eventos.
• Demuestra un rendimiento sólido en el análisis de eventos legales, de noticias y biomédicos.

Conclusiones:

• TempReasoner construye eficazmente líneas de tiempo de eventos automatizadas al modelar conjuntamente patrones temporales locales y globales.
• El sistema ofrece una solución escalable y eficiente para el razonamiento temporal en diversas aplicaciones empresariales.
• La arquitectura propuesta mejora la coherencia temporal y la precisión en las tareas de extracción de conocimiento.