マルチプレックスグラフのプロンプトラーニングと,イベントグラフの完了のための注意深い融合

科学分野:

• 人工知能 (AI) とは,人工知能 (AI) のことです.
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
• グラフニューラルネットワーク

背景:

• 異質なイベントグラフ (EG) は,しばしば関係性情報が欠けていて,その下流アプリケーションのユーティリティを制限しています.
• 既存の方法は,EG内の複数の相互に関連した関係を効果的にモデル化し予測するのに苦労しています.

研究 の 目的:

• 異質なEGにおける欠席の多重関係を予測するための新しいイベントグラフ完了 (EGC) タスクを導入し,対処する.
• EGの完全性を高めるため,新しいモデル,マルチプレックスグラフ・プロンプト・ラーニング・アンド・アテンティブ・フュージョン (PLAF) を提案する.

主な方法:

• デュアルグラフ・プロンプト・ラーニング (DGPL) とマルチプレックス・グラフ・アテンション・ネットワーク (MGAT) を組み込んだPLAFモデルを開発した.
• DGPLはEGの構造と意味論を,イベントトリプルトライプレートシーケンスでコードする.
• MGATは,同質なサブグラフの間のインターグラフとクロスグラフの注意を介してイベント表現を学習します.
• アグレガティブ・リレーション・プレディクション・モジュール (ARPM) は,強固な完了のために予測を組み合わせます.

主要な成果:

• PLAFモデルは,最先端の方法と比較して,欠落した関係を予測する上で優れたパフォーマンスを示しました.
• 新しく構築されたEGC-MAVENデータセットに関する広範な実験は,モデルの有効性を検証しました.
• 結果は,マルチリレーションをインタラクティブにモデリングすることで予測の精度が向上することを確認しています.

結論:

• 提案されたPLAFモデルは,イベントグラフ完了のタスクを効果的に処理します.
• このアプローチは,さまざまなアプリケーションのための異質なイベントグラフの完全性と有用性を高めます.
• この研究は,イベントグラフにおける複数の関係予測のための新しいベンチマークを確立しています.