本研究评估了条件生成模型在上下文学习中的有效性，提出了一种新的生成性预测$p$值方法，成功应用于合成数据、图像和自然语言任务的贝叶斯模型批评。

本文提出了基于大型语言模型（LLMs）和知识图谱（KGs）的创新方法，包括GenTKG框架和TempGraph-LLM模型，旨在提升时间知识图的生成性预测和推理能力。这些方法在处理时间性问题和符号推理方面表现优异，显著提高了预测性能，为未来的研究提供了重要参考。

该文综述时间知识图谱补全与生成性预测的研究进展，涵盖背景、数据集、评估指标及方法分类（内插与外推），并介绍GenTKG（结合时间逻辑规则检索与参数高效引导）、基于大语言模型与上下文学习的TKG预测、多图结构学习推理、兼顾因果与时序的逻辑常识嵌入模型LCGE、基于预训练语言模型的PPT与TEMT、结构感知推理框架以及具完全表达力的盒式嵌入模型BoxTE等工作。