Neue Entitätszustände verbessern TKG‑Vorhersagen

Ein neues Verfahren namens Entity State Tuning (EST) hat die Vorhersage von Zeit‑Knowledge‑Graphen (TKG) auf ein neues Niveau gehoben. Durch die Einführung persistenter Entitätszustände kann das Modell die strukturellen Abhängigkeiten jedes Snapshots und die zeitliche Entwicklung über mehrere Snapshots hinweg gleichzeitig berücksichtigen.

Derzeitige Methoden arbeiten stateless: Sie rekonstruieren die Repräsentationen von Entitäten bei jedem Zeitschritt aus einem begrenzten Anfragefenster. Das führt zu episodischer Vergesslichkeit und einem schnellen Verlust langfristiger Abhängigkeiten. EST löst dieses Problem, indem es einen globalen Zustandspuffer nutzt und die strukturellen Beweise kontinuierlich mit sequentiellen Signalen in einem geschlossenen Kreislauf abgleicht.

Im Kern des Ansatzes steht ein topologie‑bewusster State‑Perceiver, der Entitätszustände in die strukturelle Codierung einfließen lässt. Anschließend aggregiert ein einheitliches Temporal‑Context‑Modul die zustandsverbesserten Ereignisse mit einem flexiblen Sequenz‑Backbone. Ein dualer Evolutionsmechanismus schreibt die aktualisierte Kontextinformation zurück in den globalen Zustandspeicher und balanciert dabei Plastizität und Stabilität.

Experimentelle Ergebnisse auf mehreren Benchmark‑Datensätzen zeigen, dass EST sämtliche getesteten Basismodelle verbessert und damit den aktuellen Stand der Technik in der TKG‑Vorhersage übertrifft. Der Code ist öffentlich verfügbar unter GitHub.