Resumen: La previsión del gráfico de conocimiento temporal (TKG) requiere predecir hechos futuros modelando conjuntamente las dependencias estructurales dentro de cada instantánea y la evolución temporal entre las instantáneas. Sin embargo, la mayoría de los métodos existentes no tienen estado: recalculan las representaciones de entidades en cada marca de tiempo desde una ventana de consulta limitada, lo que provoca amnesia episódica y un rápido deterioro de las dependencias a largo plazo. Para abordar esta limitación, proponemos Entity State Tuning (EST), un marco independiente del codificador que otorga a los pronosticadores de TKG estados de entidad persistentes y en continua evolución. EST mantiene un amortiguador de estado global y alinea progresivamente la evidencia estructural con señales secuenciales mediante un diseño de circuito cerrado. Específicamente, un perceptor de estado consciente de la topología primero inyecta estados de entidad anteriores en la codificación estructural. Luego, un módulo de contexto temporal unificado agrega los eventos de estado mejorado con una columna vertebral de secuencia conectable. Posteriormente, un mecanismo de evolución de doble vía escribe el contexto actualizado en la memoria del estado de la entidad global, equilibrando la plasticidad con la estabilidad. Los experimentos con múltiples puntos de referencia muestran que EST mejora constantemente diversas redes troncales y logra un rendimiento de vanguardia, lo que destaca la importancia de la persistencia del estado para el pronóstico de TKG a largo plazo. El código está publicado en esta URL https
Publicado originalmente en export.arxiv.org el 15 de febrero de 2026.
Ver fuente original
