[论文] Denoising the Future: Context-Aware Spectral Diffusion for Temporal Knowledge Graph Extrapolation
来源：arXiv AI 论文收录：2026/8/24
✦ AI 解读
本文提出FreqDiff，一种面向时序知识图谱外推的频率感知扩散框架。针对现有扩散方法在条件聚合时难以区分查询特定证据与非显著历史事实的问题，FreqDiff将未来对象预测建模为查询槽去噪，并设计双流去噪器，结合时序依赖建模与上下文感知频谱校准，自适应合成历史条件滤波器，以增强目标判别信号，提升外推准确性。
Temporal Knowledge Graph (TKG) extrapolation seeks to infer future facts from time-varying relational histories. Recent diffusion-based approaches improve uncertainty modeling through generative denoising, but their aggregated conditioning on subject histories may insufficiently distinguish query-specific evidence from non-salient historical facts, thereby diluting target-discriminative signals. To bridge this gap, we propose FreqDiff, a Frequency-aware Diffusion framework for TKG extrapolation. Specifically, FreqDiff formulates future object prediction as query-slot denoising and develops a dual-stream denoiser that integrates temporal dependency modeling with context-aware spectral calibration. The spectral branch synthesizes history-conditioned filters from learnable bases to adaptively
相关推荐
Risk of transmission of amyloid β pathology via transfused blood products
✦ AI 摘要该研究探讨了通过输血传播淀粉样β病理的风险，发表于《柳叶刀》。研究可能涉及朊病毒样传播机制，对血液制品安全性和阿尔茨海默病预防有重要启示。内容来自顶级医学期刊，但属于医学领域，与AI从业者直接关联较低。
NanoGPT Speedrun Frontier
✦ AI 摘要Prime Intellect发布NanoGPT Speedrun Frontier，展示在单台GPU上以极低成本训练GPT-2级别模型的优化技术。文章详细介绍了训练速度提升的多种策略，包括数据加载、混合精度、内核优化等，并提供了可复现的代码。该研究对资源有限的AI开发者具有重要参考价值，引发社区广泛讨论。
[论文] TurboBias 2.0: Streaming Context-Biasing for Production-Efficient ASR Systems
✦ AI 摘要TurboBias 2.0 是一个面向生产环境的 ASR 系统上下文偏置框架，旨在解决流式推理、批量解码、用户特定上下文列表和低运行时开销等实际需求。它扩展了 GPU 加速的 TurboBias，引入不区分大小写的提升图和每流批量解码，使批次中的每个话语都能使用独立的上下文配置，从而实现个性化上下文处理，提升识别准确率并保持高效。