Neues Lernmodell CID-TKG verbessert Vorhersagen in Zeit-basierten Wissensgraphen

Die Vorhersage zukünftiger Fakten in zeitlich dynamischen Wissensgraphen bleibt eine zentrale Herausforderung. Aktuelle Methoden stützen sich zu stark auf zeitunabhängige Strukturen und vernachlässigen die sich wandelnden Beziehungen zwischen Entitäten, was die Genauigkeit bei der Prognose neuer Zeitpunkte einschränkt.

Mit dem neuen Ansatz CID‑TKG wird dieses Problem adressiert, indem ein kollaboratives Lernframework entwickelt wird, das sowohl die langfristige strukturelle Stabilität als auch die kurzfristigen evolutionären Übergänge berücksichtigt. Durch die Kombination von historischen Invarianz‑ und Evolutions‑Dynamik‑Graphen entsteht ein umfassendes Modell, das die komplexen Wechselwirkungen in temporären Daten besser erfasst.

Der Ansatz nutzt zwei spezialisierte Graphen: Der historische Invarianz‑Graph erfasst wiederkehrende Muster über lange Zeiträume, während der Evolutions‑Dynamik‑Graph die schnellen Übergänge zwischen benachbarten Zeitpunkten modelliert. Für jede Struktur werden eigene Encoder trainiert, und die Relationen werden in ansichtsspezifische Repräsentationen zerlegt. Ein kontrastives Lernziel sorgt dafür, dass die ansichtsspezifischen Abfragen konsistent bleiben und gleichzeitig Rauschen reduziert wird.

Umfangreiche Experimente zeigen, dass CID‑TKG in extrapolativen Szenarien die bisher beste Leistung erzielt. Das Modell demonstriert damit, dass die Integration von historischen Invarianz‑ und Evolutions‑Dynamik‑Semantik ein wirkungsvolles induktives Bias für die Vorhersage in temporären Wissensgraphen darstellt.