스냅샷을 넘어선 진화: 시간적 지식 그래프 예측을 위한 엔티티 상태 튜닝 기반의 구조 및 시퀀스 조화

Evolving Beyond Snapshots: Harmonizing Structure and Sequence via Entity State Tuning for Temporal Knowledge Graph Forecasting

시간적 지식 그래프(TKG) 예측은 각 스냅샷 내의 구조적 종속성과 스냅샷 간의 시간적 진화를 공동으로 모델링하여 미래의 사실을 예측해야 한다. 그러나 대부분의 기존 방법들은 상태를 유지하지 않는다(stateless). 이들은 제한된 쿼리 윈도우를 사용하여 각 타임스탬프마다 엔티티 표현을 재계산하며, 이는 에피소드성 기억 상실 및 장기 종속성의 급격한 감쇠를 초래한다. 이러한 한계를 해결하기 위해, 우리는 TKG 예측 모델에 영구적이고 지속적으로 진화하는 엔티티 상태를 부여하는 인코더 독립적(encoder-agnostic) 프레임워크인 엔티티 상태 튜닝(EST)을 제안한다. EST는 전역 상태 버퍼를 유지하며, 폐루프(closed-loop) 설계를 통해 구조적 증거와 순차적 신호를 점진적으로 정렬한다. 구체적으로, 토폴로지 인지 상태 인식기가 먼저 엔티티-상태 사전 지식을 구조적 인코딩에 주입한다. 그런 다음, 통합 시간적 컨텍스트 모듈이 플러그인 가능한(pluggable) 시퀀스 백본을 통해 상태가 강화된 이벤트를 집계한다. 이어서, 이중 트랙 진화 메커니즘이 업데이트된 컨텍스트를 전역 엔티티 상태 메모리에 다시 기록하여 가소성과 안정성 간의 균형을 맞춘다. 다수의 벤치마크에 대한 실험 결과에 따르면, EST는 다양한 백본을 일관되게 개선하고 최첨단(state-of-the-art) 성능을 달성하여 장기 TKG 예측에서 상태 지속성의 중요성을 강조한다. 코드는 https://github.com/yuanwuyuan9/Evolving-Beyond-Snapshots 에 공개되어 있다.

Temporal knowledge graph (TKG) forecasting requires predicting future facts by jointly modeling structural dependencies within each snapshot and temporal evolution across snapshots. However, most existing methods are stateless: they recompute entity representations at each timestamp from a limited query window, leading to episodic amnesia and rapid decay of long-term dependencies. To address this limitation, we propose Entity State Tuning (EST), an encoder-agnostic framework that endows TKG forecasters with persistent and continuously evolving entity states. EST maintains a global state buffer and progressively aligns structural evidence with sequential signals via a closed-loop design. Specifically, a topology-aware state perceiver first injects entity-state priors into structural encoding. Then, a unified temporal context module aggregates the state-enhanced events with a pluggable sequence backbone. Subsequently, a dual-track evolution mechanism writes the updated context back to the global entity state memory, balancing plasticity against stability. Experiments on multiple benchmarks show that EST consistently improves diverse backbones and achieves state-of-the-art performance, highlighting the importance of state persistence for long-horizon TKG forecasting. The code is published at https://github.com/yuanwuyuan9/Evolving-Beyond-Snapshots