K-Link: 基于 LLMs 的知识链接图在多变量时间序列数据的增强表示学习中的应用

全连接时空图神经网络（FC-STGNN）通过考虑传感器之间的相关性来建模多元时间序列数据中的时空依赖关系，实验证明其有效性。

提出了一种创新的推理方法，关注时间知识图推理中的多图结构学习，以捕捉并发结构和演化交互。

新的框架通过提取和聚类CNN神经元的输入表征模式来解释多元时间序列数据，增强了可解释性。

使用知识图谱和大型语言模型的三种框架能够互相协作，提高自然语言处理和人工智能的表现。

将时间链接预测视为历史事件链中的事件生成任务，通过微调方法提高LLMs的推理能力。

知识图谱语言模型（KGLM）通过新的实体/关系嵌入层学习知识图谱的结构，取得了链接预测任务的最新性能。

图形语言模型（GLM）结合了线性文本模型和图神经网络的优点，在关系分类任务上超过了基线。

提出了轻量级适配器以增强多语言知识图谱的多语言语言模型，展示了在语言理解和知识图谱任务上的性能优势。

面向多变量时间序列数据的图神经网络框架在多个基准数据集上表现优于现有方法。

知识解决器（KSL）通过利用LLMs的概括能力增强了搜索能力，提高了推理过程的可解释性。