تتجه الأبحاث في مجال الرسوم البيانية الزمنية (Temporal Knowledge Graphs) إلى معرفة كيفية التنبؤ بالحقائق المستقبلية من خلال دراسة العلاقات الزمنية المتغيرة. ونظراً لتزايد أهمية هذه الرسوم في دمج المعلومات وتحليل البيانات، برزت الحاجة إلى أساليب جديدة لتحسين نماذج عدم اليقين.

أحدث التقنيات المعتمدة على الانتشار (Diffusion) تعتبر من بين المبتكرات في هذا المجال، حيث تسعى إلى تحسين نماذج عدم اليقين عبر استخدام أساليب التصفية المتقدمة. ومع ذلك، تظهر بعض التحديات في كيفية التفاعل بين الأدلة التاريخية المتنوعة والحقائق المتعلقة بالسياق المحدد للاستفسار، مما قد يؤدي إلى تملص الإشارات المحددة._

لمعالجة هذه المشكلة، تم تقديم إطار عمل ثوري يُدعى FreqDiff. يعتمد هذا الإطار على فكرة أن التنبؤ بالأهداف المستقبلية يمكن تحسينه من خلال تقنيات التصفية الموجهة بالاستفسار. يدمج FreqDiff بين نماذج الاعتماد الزمنية والتصحيح الطيفي السياقي، مما يتيح له تحسين التنبؤات بشكل ملحوظ.

يعتمد الفرع الطيفي لـ FreqDiff على تصنيع فلاتر مشروطة بالتاريخ من قواعد قابلة للتعلم، مما يسمح له بإعادة معايرة تمثيلات التصفية بشكل ديناميكي. بالإضافة إلى ذلك، يتم استخدام ناظم في مجال التردد لضمان توافق الهدف المصحح مع العنصر الذهبي في الفضاء الطيفي.

أظهرت التجارب المعمولة على أربعة معايير عامة للرسوم البيانية الزمنية أن FreqDiff يحقق أداءً رائداً في هذا المجال، مما يفتح آفاقاً جديدة لاستخدام الذكاء الاصطناعي في تحليل ومعالجة المعلومات المستقبلية.