- 北京工業大学、モナッシュ大学、香港大学、グリフィス大学の研究者らは、Temporal Knowledge Graphs（TKGs）を解釈するLLM-DAを導入
- TKGsは、時間的次元を取り入れた実世界データの構造化表現であり、TKGRの従来の手法は、深層学習アルゴリズムや時間論理ルールに依存しており、時間的パターンを効果的に捉えるのに苦労していた
- LLM-DAは、LLMsを活用して歴史データから時間論理ルールを抽出し、最新の出来事を取り込むためにそれらを動的に適応させることで、TKGRモデルの解釈性と適応性を向上させる
- LLM-DAは、Temporal Logical Rules Sampling、Rule Generation、Dynamic Adaptation、Candidate Reasoningといういくつかの主要段階から構成されており、これらの段階を通じてTKGに関するクエリの潜在的な答えを推論する
- ICEWS14およびICEWS05-15データセットで評価され、他のLLMベースのTKGR手法を含むクラシックな手法と比較した実験結果は、LLM-DAがすべてのメトリクスで最先端のベンチマークを上回ることを示している
- 提案された方法は、大規模言語モデルの力と動的適応性を組み合わせて、時間パターンを抽出し、解釈可能な推論を容易にする
本研究は、TKG上の推論の課題に対処するためにLLM-DAを導入しており、LLMsを活用してルールを生成し、新しい知識を取り込むためにそれらを動的に適応させることで、TKGRタスクのための堅牢なフレームワークを提供しています。既存の手法と比較して優れた性能を示し、進化するTKGsに対する推論のための有望な解決策を提供しています。