TempHypE-GNN: Hyperbolic Graph Neural ODEs for Hierarchical Temporal Knowledge Graphs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pervasive systems such as IoT networks and dynamic knowledge-driven platforms demand models that can capture both temporal evolution and hierarchical structure with high fidelity. While TempHypE introduced a powerful combination of hyperbolic geometry and Neural Ordinary Differential Equations (ODEs) for continuous-time temporal reasoning, it lacks explicit mechanisms to model local graph connectivity and relational propagation. We address this limitation with TempHypE-GNN, a novel extension that integrates hyperbolic graph neural networks (GNNs) into the TempHypE framework. The GNN component enables message passing in hyperbolic space, allowing entities to aggregate neighborhood information across multi-hop relations and improving local relational reasoning under hierarchical constraints. This enhancement complements the global temporal modeling of Neural ODEs, leading to richer representations. TempHypE-GNN jointly embeds entities in the Poincaré ball to capture hierarchical dependencies, applies Neural ODEs to model continuous-time dynamics, and incorporates hyperbolic GNN layers for relational feature propagation. Experimental results on ICEWS14, ICEWS18, and GDELT demonstrate that TempHypE-GNN consistently outperforms both Euclidean models and static hyperbolic baselines. Specifically, it achieves a 17.6% relative improvement in MRR over DySAT on the GDELT dataset and an 8.5% relative increase in Hits@10 over HyperKG on ICEWS18. Furthermore, ablation studies averaged across all benchmarks show that incorporating hyperbolic GNN layers into the TempHypE architecture leads to performance gains of up to 4.3% in MRR and 5.9% in Hits@10, highlighting the added value of relational message passing in hyperbolic space. This demonstrates not only theoretical advances but also the potential for deployment in real-world domains such as IoT, smart-city analytics, and large-scale temporal knowledge management.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle