Temporal Reasoning in AI systems
针对AI系统演绎闭包有限、无法正确推断流和事件信息的问题,本研究在Cyc知识库中提出鲁棒时间投影的知识表示与推理方案,结合离散生存函数外推流并通过约束截断区间,实验证明其显著提升问答性能。
2025-02-12 cs.AI
Synergy of all-purpose static solver and temporal reasoning tools in dynamic integrated expert systems
National Research Nuclear University MEPhI (Moscow Engineering Physics Institute)(国立核能研究大学-莫斯科工程物理学院)
本文讨论了动态集成专家系统开发的科学技术问题。扩展面向问题的动态集成专家系统开发方法被认为是。重点研究了时态知识表示和时态知识处理。
2017-04-16 cs.AI
Search from History and Reason for Future: Two-stage Reasoning on Temporal Knowledge Graphs
University of Chinese Academy of Sciences(中国科学院大学);Baidu Inc.(百度公司)
时态知识图谱(TKG)已经被开发并应用于许多不同的领域。对TKG进行推理,预测未来潜在的事实(事件),给现有的模型带来了巨大的挑战。当面临预测任务时,人类通常搜索有用的历史信息(即,线索)在他们的记忆,然后对未来的原因精心。受此机制的启发,我们提出了ClusteR预测未来的事实在两个阶段的方式,线索搜索和时间推理,相应的。具体而言,在线索搜索阶段,ClusteR通过强化学习(RL)学习束搜索策略,以从历史事实中归纳出多个线索。在时间推理阶段,采用基于图卷积网络的序列方法从线索中推理答案。在四个数据集上的实验表明,与最先进的方法相比,ClusteR的实质性优势。此外,ClusteR发现的线索进一步为结果提供了可解释性。
2021-06-01 cs.AI
A Temporal Description Logic for Reasoning about Actions and Plans
ITC-IRST;University of Manchester(曼彻斯特大学)
提出了一类基于区间的时态语言,用于统一表示和推理动作和计划。行动是通过描述行动本身发生时的真实情况来表示的,计划是通过将行动和世界状态在时间上联系起来来构建的。时态语言是描述逻辑家族的成员,其特征在于高表达性与良好的计算特性相结合。研究了一类时态描述逻辑的包含问题,给出了合理而完备的判定过程。首先考虑基本语言TL-F:它是时态逻辑TL(能够表示区间时态网络)与非时态逻辑F(特征描述逻辑)的组合。证明了该语言中的包容是一个NP完全问题。然后展示了如何使用表达能力更强的语言TLU-FU和TL-ALCF进行推理。前者在语言的时间和非时间侧都添加了析取,后者用集值特征扩展了非时间侧(即,角色)和命题完整的语言。
2011-05-27 cs.AI
LTLZinc: a Benchmarking Framework for Continual Learning and Neuro-Symbolic Temporal Reasoning
University of Pisa(比萨大学);University of Modena and Reggio Emilia(摩德纳和雷焦艾米利亚大学);KU Leuven(鲁汶大学);University of Florence(佛罗伦萨大学);University of Siena(锡耶纳大学)
本文提出 LTLZinc 基准框架,基于 LTL 与 MiniZinc 约束及图像数据集生成时间推理和持续学习任务,实验表明现有方法仍存在明显局限。
2025-07-23 cs.AI
Transformer-based Reasoning for Learning Evolutionary Chain of Events on Temporal Knowledge Graph
University of Science and Technology Beijing(北京科技大学)
本文提出基于Transformer的ECEformer模型,通过按时间顺序构建事件演化链并学习四元组内外部统一表示,提升时间知识图谱推理性能。
2024-05-01 cs.AI
Neuro-Symbolic Spatio-Temporal Reasoning
University of Hamburg(汉堡大学);LIRMM(蒙彼利埃计算机科学、机器人与微电子实验室);University of Montpellier(蒙彼利埃大学);CNRS(法国国家科学研究中心);Örebro University(厄勒布鲁大学)
关于空间和时间的知识对于解决物理世界中的问题是必要的:位于物理世界中并与对象交互的人工智能智能体通常需要推理对象之间的位置和关系;一旦智能体计划其行动以解决任务,它就需要考虑时间方面(例如,随着时间的推移要执行哪些操作)。然而,时空知识的要求超出了与物理世界的交互,并且还经常通过类比和隐喻转移到概念的抽象世界(例如,“一个悬在我们头上的威胁”)。由于空间和时间推理无处不在,因此已经进行了不同的尝试将其集成到AI系统中。在知识表示领域,时空推理主要局限于对对象和关系建模,以及开发用于验证关于对象和关系的陈述的推理方法。另一方面,神经网络研究人员试图教模型从推理能力有限的数据中学习空间关系。以互利的方式弥合这两种方法之间的差距可以让我们解决许多复杂的现实问题,如自然语言处理,视觉问答和语义图像分割。在本章中,我们从神经符号人工智能的角度来看待这个整合问题。具体来说,我们提出了逻辑推理和机器学习之间的协同作用,这将是基于空间和时间的知识。描述一些成功的应用程序,剩余的挑战,并评估数据集有关这一方向是本贡献的主要议题。
2023-01-13 cs.AI
CognTKE: A Cognitive Temporal Knowledge Extrapolation Framework
Beijing Jiaotong University(北京交通大学)
受双过程理论启发,本文提出认知时序知识外推框架CognTKE,通过构建时序认知关系有向图并结合全局浅层与局部深层推理器,有效捕获复杂历史路径,在四个基准数据集上显著提升了时序知识图推理准确率并具备卓越零样本能力。
2024-12-21 cs.AI
Reachability-Aware Pretraining for Efficient Target-Oriented Path Exploration in Temporal Knowledge Graph Reasoning
Artificial Intelligence Research Center, Chang Gung University(长庚大学人工智能研究中心);Graduate Institute of Oral Biology, National Taiwan University(国立台湾大学口腔生物学研究所);National Taiwan University of Science and Technology(国立台湾科技大学)
针对时态知识图谱推理中外推设置下RL训练奖励稀疏、探索效率低的问题,提出RAPTOR自监督预训练方法,通过学习估计可达性减少无前景路径探索,为RL微调提供初始化,实验证明该方法能提高训练效率并优于传统基线。
2026-07-17 cs.AI
MetaTKG: Learning Evolutionary Meta-Knowledge for Temporal Knowledge Graph Reasoning
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
时态知识图谱推理(TKG)的目的是基于给定的历史来预测未来的事实。预测的关键挑战之一是了解事实的演变。现有的研究大多侧重于探索历史上的演化信息,为实体和关系获取有效的时间嵌入,但忽略了事实演化模式的变化,这使得它们很难适应未来具有不同演化模式的数据。此外,随着时间的推移,随着事实的演变,新的实体不断出现。由于现有的模型高度依赖于历史信息来学习实体的嵌入,因此它们在历史信息很少的实体上表现不佳。为了解决这些问题,我们提出了一个新的时间元学习框架TKG推理,MetaTKG的简洁。具体地说,我们的方法把TKG预测看作是许多时间元任务,并利用设计的时间元学习器从这些元任务中学习进化元知识。该方法的目的是引导骨干学习,以适应未来的数据,并处理与历史信息很少的实体学习的元知识。特别地,在时间元学习器中,我们设计了一个门控集成模块,自适应地建立元任务之间的时间相关性。在四个广泛使用的数据集和三个主干上的大量实验表明,我们的方法可以大大提高性能。
2023-02-02 cs.AI
Inductive Reasoning for Temporal Knowledge Graphs with Emerging Entities
Shanghai Jiao Tong University(上海交通大学);IGSNRR, Chinese Academy of Sciences(中国科学院地理科学与资源研究所)
本文提出TransFIR框架,通过利用语义相似实体的历史交互序列,为新兴实体提供归纳推理支持,实验显示在多个数据集上平均提升MRR 28.6%。
2026-04-11 cs.AI
MeTeoR: Practical Reasoning in Datalog with Metric Temporal Operators
University of Oxford(牛津大学);Shanghai Jiao Tong University(上海交通大学)
DatalogMTL是一个扩展的DatalogM与运营商的度量时态逻辑,近年来受到了极大的关注。它是一种高度表达的知识表示语言,非常适合于基于时态本体的查询应答和流处理中的应用。然而,DatalogMTL中的推理具有高计算复杂性,这使得实现具有挑战性并阻碍其在应用中的采用。在本文中,我们提出了一种新的方法,在DatalogMTL的实际推理结合物化(又名。前向链接)与基于自动机的技术。我们已经实现了这种方法的推理机称为MeTeoR和评估其性能使用的时间扩展的里海大学基准和基准的基础上,在现实世界的气象数据。我们的实验表明,MeTeoR是一个可扩展的系统,它能够推理复杂的时间规则和数据集,涉及数以千万计的时间事实。
2022-01-12 cs.AI cs.DB
Reasoning about Actions with Temporal Answer Sets
Università del Piemonte Orientale(皮埃蒙特东方大学);Università di Torino(都灵大学)
本文结合回答集编程(ASP)和动态线性时间时态逻辑(DLTL)定义了一种时态逻辑程序设计语言,用于推理复杂动作和无限计算。DLTL扩展了线性时间的命题时态逻辑,使用命题动态逻辑的正则程序来索引时态模态。动作语言允许在域描述中包含一般DLTL公式,以约束可能扩展的空间。我们引入了一个概念的时间回答集域描述,通常的概念的基础上的回答集。此外,我们提供了一个标准的ASP域描述的翻译,我们使用有限的模型检验技术的DLTL约束的验证。
2011-10-17 cs.AI cs.LO
Parameterisation of Reasoning on Temporal Markov Logic Networks
Léonard de Vinci Pôle Universitaire, Research Center(列奥纳多·达·芬奇大学中心研究中心);Conservatoire National des Arts et Métiers(法国国立工艺学院)
我们的目标是提高推理不一致和不确定的数据。我们专注于知识图谱数据,随着时间间隔的延长,以指定其有效性,正如在历史科学中经常发现的那样。我们提出了有效的最大后验概率推理的语义原则的新的时间马尔可夫逻辑网络(TMLN)扩展的马尔可夫逻辑网络(MLN)的不确定的时间事实和规则。我们检查全部和部分时间(中)的时间公式集之间的一致性关系。然后,我们提出了一个新的时间参数语义,它可以结合几个子功能,允许使用不同的评估策略。最后,我们揭示了语义必须遵守的约束,以满足我们的原则。
2022-11-29 cs.AI cs.SI
Temporal Fact Reasoning over Hyper-Relational Knowledge Graphs
LMU Munich(慕尼黑大学);University of Cambridge(剑桥大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心);University of Stuttgart(斯图加特大学);Technical University of Munich(慕尼黑工业大学)
针对现有超关系知识图谱缺乏时序信息、推理方法无专用时序模块的问题,提出超关系时序知识图谱结构,构建两个基准数据集并提出高效推理模型,开源相关资源以支持后续研究。
2024-10-03 cs.AI cs.LG
Hawkes based Representation Learning for Reasoning over Scale-free Community-structured Temporal Knowledge Graphs
School of Software, Dalian University of Technology(大连理工大学软件学院)
针对真实 TKG 的社区结构、无标度长尾分布与事件时间衰减特征,提出 HERLN,通过社区发现、Hawkes 关系图卷积网络和条件解码提升推理性能。
2024-12-28 cs.AI cs.LG cs.SI
Temporal Inductive Path Neural Network for Temporal Knowledge Graph Reasoning
Computer Network Information Center, Chinese Academy of Sciences(中国科学院计算机网络信息中心);University of Chinese Academy of Sciences(中国科学院大学);University of Macau(澳门大学)
本文提出实体无关的时序归纳路径神经网络TiPNN,通过历史时序图和查询感知时序路径建模历史信息,以解决TKG推理中实体规模大及新实体不断出现的问题,并在归纳设置下取得显著性能提升。
2024-01-25 cs.AI cs.LG
T-CPDL: A Temporal Causal Probabilistic Description Logic for Developing Logic-RAG Agent
University of Derby(德比大学)
本文提出时序因果概率描述逻辑T-CPDL,扩展传统描述逻辑以处理时间、因果和概率推理,实验证明其显著提升语言模型推理准确性与可解释性,并为Logic-RAG框架奠定基础。
2025-06-23 cs.AI cs.LO
Temporal Knowledge Graph Reasoning with Low-rank and Model-agnostic Representations
Saarland University(萨尔大学);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI))
时态知识图谱补全(TKGC)是一种基于事件和时态知识图谱的推理方法,其目标是对具有精确信息但缺失信息的知识进行补全。在这种情况下,张量分解已经成功地模拟了实体和关系之间的交互。它们在静态知识图谱完成中的有效性促使我们引入Time-LowFER,这是低秩张量因子分解模型LowFER的一系列参数高效和时间感知的扩展。注意到目前的方法来表示时间的几个限制,我们提出了一个周期感知的时间编码方案的时间功能,这是模型不可知的,并提供了一个更广义的时间表示。我们实现我们的方法在一个统一的时间知识图谱嵌入框架,专注于时间敏感的数据处理。实验结果表明,我们提出的方法在两个基准测试中的表现与最先进的语义匹配模型相当或更好。
2022-04-10 cs.AI cs.LG
Learning to Sample and Aggregate: Few-shot Reasoning over Temporal Knowledge Graphs
University of Illinois at Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校);Amazon.com Inc(亚马逊公司)
在本文中,我们研究了一个现实的,但未充分探索的问题,称为Few-Shot时间知识图谱推理,其目的是预测未来的事实,为新出现的实体的基础上,在不断发展的图形极其有限的意见。它提供了实用价值的应用程序,需要获得即时的新知识的新实体的时间知识图谱(TKG)与最小的监督。这些挑战主要来自于新实体的Few-Shot和时移特性。首先,与它们相关的有限观察不足以从头开始训练模型。其次,从最初可观察的事实到未来事实的潜在动态分布要求明确地建模新实体的演化特征。我们相应地提出了一个新的Meta时态知识图谱推理(MetaTKGR)框架。与之前依赖于严格的邻域聚合方案来增强低数据实体表示的工作不同,MetaTKGR通过对未来事实的时间监督信号作为即时反馈,动态地调整从新实体的最近事实中采样和聚合邻域的策略。此外,这样的Meta时态推理过程超越了现有的静态知识图谱上的元学习范例,无法处理具有大实体方差的时态适应。我们进一步提供了一个理论分析,并提出了一个时间适应正则化稳定的Meta时间推理随着时间的推移。从经验上讲,在三个真实世界的TKG上进行的广泛实验证明了MetaTKGR在最先进的基线上的优越性。
2022-10-16 cs.AI cs.CL cs.LG
Temporal Inductive Logic Reasoning over Hypergraphs
Georgia Institute of Technology(佐治亚理工学院);Cisco(思科公司)
本文提出时序归纳逻辑推理方法TILR,通过多起点随机B游走和路径一致性算法在时序超图上学习逻辑规则,并发布两个新基准数据集,实验证明其推理能力优于多种强基线。
2024-05-05 cs.AI cs.LG cs.LO
EvoKG: Jointly Modeling Event Time and Network Structure for Reasoning over Temporal Knowledge Graphs
Carnegie Mellon University(卡内基梅隆大学);Microsoft(微软)
如何在时态知识图谱上进行知识推理?TKG表示关于实体及其关系的事实,其中每个事实与时间戳相关联。关于TKG的推理,即,从随时间变化的KG中推断新的事实,对于许多应用程序提供智能服务至关重要。然而,尽管可以表示为TKG的真实世界数据的流行,但大多数方法都集中在静态知识图谱上的推理,或者不能预测未来事件。在本文中,我们提出了一个问题的制定,统一的两个主要问题,需要解决一个有效的推理TKG,即建模的事件时间和不断发展的网络结构。我们提出的方法EvoKG联合建模两个任务在一个有效的框架,它捕捉不断变化的结构和时间动态TKG通过经常性事件建模,并建模实体之间的交互的时间邻域聚合框架的基础上。此外,EvoKG使用基于神经密度估计的灵活有效的机制实现了事件时间的精确建模。实验表明,EvoKG优于现有的方法在有效性(高达77%和116%更准确的时间和链接预测)和效率。
2022-02-16 cs.AI cs.LG cs.SI
Know-Evolve: Deep Temporal Reasoning for Dynamic Knowledge Graphs
Georgia Institute of Technology(佐治亚理工学院)
具有时间戳的大规模事件数据的可用性已经引起了包含每个边缘的时间信息的动态演化的知识图谱。在这种动态知识图谱中随着时间的推移进行推理还没有很好地理解。为此,我们提出了Know-Evolve,这是一种新型的深度进化知识网络,它可以随着时间的推移学习非线性进化的实体表示。事实(边缘)的发生被建模为多变量点过程,其强度函数由基于学习的实体嵌入计算的该事实的分数调制。我们在两个大规模的真实世界数据集上展示了各种关系学习方法的显着改进性能。此外,我们的方法有效地预测发生或复发时间的事实,这是新的相比,在多关系设置先前的推理方法。
2017-06-21 cs.AI cs.CL cs.LG
Geospatial Narratives and their Spatio-Temporal Dynamics: Commonsense Reasoning for High-level Analyses in Geographic Information Systems
University of Bremen(不来梅大学);Penn State University(宾夕法尼亚州立大学)
动态地理空间现象的建模、分析和可视化已被确定为下一代地理信息系统(GIS)的关键发展挑战。在这种情况下,设想的范式扩展到当代基础GIS技术提出了基本问题的本体论,正式的代表性,和(分析)计算方法,将成为其空间信息理论的基础。我们提出的概念概述和架构的发展高层次的语义和定性分析能力的动态地理空间域。建立在常识推理,定性推理,空间和时间的表示和推理,推理行动和变化,和计算模型的叙事领域的正式方法,我们确定具体的理论和实践的挑战,在有关“空间,事件,行动和变化”的正式推理的背景下产生。以此为基础,并在一个说明的情况下,涉及城市叙事的时空动态的背景下,我们解决具体的问题和解决方案的技术,主要涉及“定性抽象”,“数据集成和空间一致性”,和“实际的地理空间绑架”。从一个广泛的主题的观点,我们提出,下一代动态GIS技术需要一个跨学科的科学观点,汇集了地理,人工智能和认知科学。保留字:人工智能;认知系统;人机交互;地理信息系统;时空动力学;叙事的计算模型;地理空间分析;地理空间建模;本体论;定性空间建模和推理;空间辅助系统
2013-12-16 cs.AI cs.ET cs.HC
Mutually-paced Knowledge Distillation for Cross-lingual Temporal Knowledge Graph Reasoning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Amazon.com Inc(亚马逊公司);Georgia Institute of Technology(佐治亚理工学院)
研究跨语言时态知识图谱推理问题,旨在通过迁移高资源语言时态知识图中的知识,促进低资源语言时态知识图的推理.鉴于现有的推理方法在那些严重不完整的TKG上的性能不令人满意,特别是在低资源语言中,跨TKG的跨语言蒸馏能力变得越来越重要。然而,它在两个方面提出了巨大的挑战。首先,跨语言的对齐,作为知识转移的桥梁,通常是太少了,两个TKG之间的转移足够的知识。第二,对齐实体的时间知识差异,特别是当对齐不可靠时,会误导知识蒸馏过程。我们相应地提出了一个相互步调的知识蒸馏模型MP-KD,其中在源TKG上训练的教师网络可以通过对齐模块指导在目标TKG上训练的学生网络。具体地说,为了处理稀缺性问题,MP-KD基于我们的表示模块提取的时间信息生成TKG之间的伪比对。为了最大限度地提高知识传递的效率和控制由时间知识差异引起的噪声,我们增强了MP-KD与时间跨语言注意力机制动态估计对齐强度。这两个过程随着模型训练而相互同步。在EventKG基准测试中的12个跨语言TKG迁移任务上的实验证明了所提出的MP-KD方法的有效性。
2023-03-27 cs.AI cs.CL cs.LG
Reasoning on Interval and Point-based Disjunctive Metric Constraints in Temporal Contexts
Universidad Politécnica de Valencia(瓦伦西亚理工大学)
我们介绍了一个时间模型的推理时间上下文的间隔和时间点的析取度量约束。该时态模型由一个带标号的时态代数及其推理算法组成。标记的时间代数定义了标记的析取度量基于点的约束,其中每个输入析取约束中的每个析取与标签单义地相关联。推理算法管理标记的约束、关联的标签列表和相互不一致的析取集。这些算法保证一致性,并获得最小的网络。此外,约束可以组织在一个层次的替代时间上下文。因此,我们可以推理区间和点上的上下文相关的析取度量约束。此外,该模型能够表示非二进制约束,这样就可以处理约束中的逻辑依赖关系。推理算法的计算成本是指数根据潜在的问题的复杂性,虽然提出了一些改进。
2011-05-30 cs.AI
Taming Reasoning in Temporal Probabilistic Relational Models
Institute of Information Systems, University of Lübeck(吕贝克大学信息系统研究所)
证据经常支持随时间变化的时间概率关系模型,这使得推理不可行。为了抵消接地随着时间的推移,并保持推理多项式通过恢复提升表示,我们提出了时间近似合并(TAMe),它包括(i)聚类分组子模型以及(ii)统计显著性检查,以测试聚类结果的适应性。为了换取更快的运行时,TAMe引入了一个有界的错误,随着时间的推移,这个错误变得可以忽略不计。实验结果表明,TAMe显着提高了推理的运行时性能,同时保持错误很小。
2019-11-16 cs.AI
SPAN: Benchmarking and Improving Cross-Calendar Temporal Reasoning of Large Language Models
Li Auto(利亚特)
SPAN通过开发时间代理提升大型语言模型跨日历时间推理能力,实验显示其准确率高达95.31%
2026-01-09 cs.AI
Agentic Temporal Graph of Reasoning with Multimodal Language Models: A Potential AI Aid to Healthcare
AI Forum(AI论坛)
针对多模态医疗诊断推理不足的问题,提出一种基于有向图的多智能体时序推理框架,通过回溯、多时间点数据及交叉验证机制提升诊断准确性,初步实验验证了其新颖性与实用价值。
2025-09-15 cs.AI
Temporal Reasoning without Transitive Tables
LIPN UMR 7030 (Universit\'e Paris 13 et CNRS)\ .
定性时态信息的表示和推理是许多人工智能任务的重要组成部分。在文献中已经提出了许多模型来表示这种时间信息。所有这些都源自基于点或基于区间的框架。在这些框架的应用中出现的一个基本推理任务由以下方案给出:给定一些时间对象之间的二元关系的可能不确定和不完整的知识,找到所有这些对象之间的一致性关系。所有这些模型都需要传递表-或类似的推理规则-来解决这些任务。我们已经定义了一个替代模型,S-语言-来表示定性的时间信息,只有两个关系的\emph{precedence}和\emph{simultaneity}的基础上。在本文中,我们将展示如何使用此模型来避免传递表或推理规则来处理此类问题。
2007-06-09 cs.AI
The Design and Experimental Analysis of Algorithms for Temporal Reasoning
许多应用程序-从计划和调度到分子生物学问题-都严重依赖于时间推理组件。在本文中,我们讨论了时间推理系统的算法的设计和实证分析的基础上,艾伦的有影响力的基于时间信息的框架。该系统的核心是用于确定时间信息是否一致的算法,并且如果是,则找到与时间信息一致的一个或多个场景。这些任务的两个重要算法是路径一致性算法和回溯算法。对于路径一致性算法,我们开发的技术,可以导致一个已经高度优化的实现高达十倍的加速。对于回溯算法,我们开发变量和值排序算法,经验表明,显着提高算法的性能。此外,我们表明,以前建议的回溯搜索问题的重新表述可以减少回溯搜索的时间和空间要求。两者合计,我们开发的技术允许一个时间推理组件来解决实际规模的问题。
1996-01-01 cs.AI
Reinforcement Learning Enhanced Multi-hop Reasoning for Temporal Knowledge Question Answering
本研究提出MRE框架,通过增强正向和反向推理,提升时间知识问答中多跳推理的准确性和鲁棒性。
2026-01-03 cs.AI
Efficient Test-Time Scaling via Temporal Reasoning Aggregation
School of Computer Science and Engineering, Beihang University(北航计算机科学与工程学院);Qingdao Research Institute, Beihang University(北航青岛研究院);Hangzhou Innovation Institute, Beihang University(北航杭州创新研究院)
本文提出TRACE框架,通过时间聚合多步骤证据实现高效测试时扩展,减少推理token使用25-30%,保持准确性,优于现有动态推理方法。
2026-04-19 cs.AI
Automated Reasoning in Temporal DL-Lite
Université de Paris(巴黎大学);Universidad Nacional del Comahue(国立科马维大学);Free University of Bozen-Bolzano(博尔扎诺自由大学);University of Bergen(卑尔根大学)
本文研究了在时态DL-Lite知识库上进行自动推理的可行性。我们测试使用现成的LTL推理机来检查TDL-Lite知识库的可满足性。特别是,我们测试的鲁棒性和可扩展性的推理时,处理TDL-Lite TBoxes配对的时间ABox。我们进行了各种实验,通过随机生成TDL-Lite知识库,然后测量运行时间和翻译的大小来分析不同推理机的性能。此外,在努力使TDL-Lite知识库的使用成为现实,我们提出了一个完全成熟的工具与图形界面来设计它们。我们的接口是基于概念建模的原则,它是与我们的翻译工具和时间推理集成。
2020-08-17 cs.AI
When Do LLMs Apply the Wrong Law? Diagnosing LLM Failures in Temporal Legal Reasoning
Institute of Science Tokyo(东京科学大学);Osaka University(大阪大学);NII LLMC(日本信息学研究所语言、语言学与媒体中心);Nara Institute of Science and Technology(奈良科学技术研究所);Center of Juris-Informatics, ROIS-DS(日本学术研究推进机构跨学科科学研究中心法学信息学中心)
本文构建基准评估LLMs的时间适用法律判定能力,发现LLMs存在适用最新法律的偏差,该偏差源于强化学习塑造的显式推理导致推理路径多样性减少,通用推理能力更强的模型在时间法律推理中表现更差,为相关优化提供指导。
2026-10-16 cs.AI
Temporal Reasoning About Uncertain Worlds
Yale University(耶鲁大学)
我们提出了一个程序,管理一个数据库的时间范围内的信念。该系统的基本功能包括维护时间点之间的约束网络,支持各种提取,调解因果规则的应用,监控添加新事实的时间间隔,以及管理保持数据库一致的数据依赖关系。在这个层次上,系统独立于任何信念或信念演算的度量而运行。我们提供了一个应用程序如何使用这个功能来实现一个信念演算的例子。
2013-03-27 cs.AI
Linear Temporal Public Announcement Logic: a new perspective for reasoning about the knowledge of multi-classifiers
Institute for Research in Fundamental Sciences(基础科学研究所);University of Tehran(德黑兰大学);Sharif University of Technology(谢里夫理工大学)
本文提出了一种在分类过程中提取知识的形式化转换系统模型LTPAL。该模型结合了公告逻辑(PAL)和线性时序逻辑(LTL)。在该模型中,首先,我们考虑捕获单帧数据的分类器。接下来,我们考虑了用于数据流数据输入的分类器。最后,我们形式化的自然语言的LTPAL特性与视频流目标检测的例子。
2022-05-24 cs.AI
AdaSTORM: Scaling LLM Reasoning on Dynamic Graphs via Adaptive Spatio-Temporal Multi-Agent Collaboration
Tianjin University, China(天津大学,中国);Beihang University, China(北航大学,中国)
提出AdaSTORM框架,通过自适应分区和时空解耦的多智能体协作,将动态图推理扩展到千节点规模,准确率超90%,无需外部工具。
2026-06-16 cs.AI
ParaTempo: Efficient Parallel Reasoning via Temporal Confidence
ParaTempo 是一种基于时间置信度的无训练异步并行推理框架,可自适应分配计算资源,在保持推理准确率的同时降低延迟与 token 用量,且时间置信度性能优于其他信号。
2026-08-18 cs.AI
Distilling Temporal Search and Reasoning: Evolving LLMs for Future Prediction via Harness-Assisted Efficient Data Synthesis
The Chinese University of Hong Kong(香港中文大学);Meituan LongCat Team(美团龙猫团队)
研究未来事件预测难题,提出时间截断 harness 方法,通过强制时间截断减少时间泄漏与对拒绝采样等的依赖,构建相关语料库和度量标准,经蒸馏实验验证该方法能提升模型表现,将高质量数据转化为模型参数提升。
2026-07-29 cs.AI
Self-Supervised Dynamic Graph Representation Learning via Temporal Subgraph Contrast
Nanjing University of Posts and Telecommunications(南京邮电大学)
图上的自监督学习由于其独立于标签和表示的鲁棒性而引起了人们的广泛关注。目前的研究主要是利用图的结构等静态信息,而不能很好地捕捉边的时间戳等动态信息。真实图通常是动态的,这意味着节点之间的交互发生在特定的时间。提出了一种自监督动态图表示学习框架(DySubC),该框架定义了一个时态子图对比学习任务来同时学习动态图的结构和演化特征。首先提出了一种新的时间子图采样策略,该策略以动态图的每个节点为中心节点,同时利用邻域结构和边时间戳对相应的时间子图进行采样。在对每个子图中的节点进行编码后,根据邻域节点对中心节点的影响设计子图表示函数。最后,定义了结构对比损失和时态对比损失,以最大化节点表示和时态子图表示之间的互信息。在5个真实数据集上的实验表明:(1)DySubC在下游链接预测任务中的表现优于相关基线,包括2个图对比学习模型和4个动态图表示学习模型;(2)时间信息的使用不仅可以采样更多有效的子图,而且可以通过时间对比损失学习更好的表示。
2021-12-16 cs.AI cs.LG
Back to the Future: Towards Explainable Temporal Reasoning with Large Language Models
The University of Manchester(曼彻斯特大学);Wuhan University(武汉大学)
本文提出首个可解释时序推理任务,构建含2.6万样本的多源指令微调数据集ExpTime,基于LlaMA2推出开源模型系列TimeLlaMA,在时序预测与解释任务上取得SOTA性能。
2023-10-08 cs.AI cs.CL
MTGER: Multi-view Temporal Graph Enhanced Temporal Reasoning over Time-Involved Document
Harbin Institute of Technology(哈尔滨工业大学);Peng Cheng Laboratory(鹏城实验室)
针对文档中事实与时间交织导致的时间推理难题,提出多视图时间图增强框架MTGER,通过异质时间图显式建模关系、多视图自适应融合及自监督时间对比目标,在两个数据集上取得更优效果且抗扰动性更强。
2023-11-08 cs.AI cs.CL
TimeBench: A Comprehensive Evaluation of Temporal Reasoning Abilities in Large Language Models
Harbin Institute of Technology(哈尔滨工业大学);Zhejiang University(浙江大学);Sun Yat-sen University(中山大学);Peng Cheng Laboratory(鹏城实验室)
本文提出综合分层的时间推理基准TimeBench,通过在GPT-4、LLaMA2等模型上的实验揭示大语言模型与人类在时间推理上的显著差距及类别差异,为相关研究提供评估平台。
2024-06-28 cs.AI cs.CL
Enhancing Temporal Sensitivity and Reasoning for Time-Sensitive Question Answering
University of Technology Sydney(悉尼科技大学);University of Liverpool(利物浦大学)
本文提出结合时间信息感知嵌入与粒度对比强化学习的新框架,以增强大模型的时间敏感性与推理能力,并在四个TSQA数据集上显著超越现有模型。
2024-09-29 cs.AI cs.CL
AdapTime: Enabling Adaptive Temporal Reasoning in Large Language Models
Xi’an Jiaotong University(西安交通大学);City University of Hong Kong(香港城市大学);Tencent Jarvis Lab(腾讯 Jarvis实验室);Westlake University(西湖大学)
本文提出AdapTime方法,通过动态执行推理步骤提升大语言模型的时间推理能力,采用重构、重写和复核三步策略,无需外部工具即可增强模型对时间信息的处理能力。
2026-04-27 cs.AI cs.CL
Temporal reasoning for timeline summarisation in social media
Queen Mary University of London(伦敦女王学院);Bar-Ilan University(巴伊兰大学);The Alan Turing Institute(艾伦·图灵研究所)
本文提出通过知识蒸馏将时间推理能力融入LLM,并构建NarrativeReason数据集,以提升社交媒体长线程时间线摘要质量,在心理健康域外任务上验证了其有效性与泛化性。
2025-07-18 cs.AI cs.CL
Temporal-Aware Heterogeneous Graph Reasoning with Multi-View Fusion for Temporal Question Answering
1 School of Internet of Things, Nanjing University of Posts;Telecommunications 2 Faculty of Medicine \& Health, University of New South Wales, Sydney, Australia 3 Dept. of Biomedical Engineering \& Biotechnology, Khalifa University, Abu Dhabi 4 Beijing Information Science;Technology University 5 Shortest Path Technology Co., Ltd.
本文提出一种时序感知异构图推理框架,通过多视角融合提升时序问答的准确性和效率。
2026-02-23 cs.AI cs.CL
Timo: Towards Better Temporal Reasoning for Language Models
Institute of Computer Science and Technology, Soochow University(苏州大学计算机科学与技术学院);Shanghai AI Laboratory(上海人工智能实验室);The Chinese University of Hong Kong(香港中文大学)
针对现有大语言模型时间推理方法泛化性不足的问题,研究者结合数学数据增强与自批评时间优化方法,开发了7B和13B规模的Timo模型,在38项时间推理任务上取得同尺寸模型最优性能。
2024-08-19 cs.AI cs.CL
TIME: A Multi-level Benchmark for Temporal Reasoning of LLMs in Real-World Scenarios
State Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University(多媒体信息处理国家重点实验室,计算机学院,北京大学);Huawei Noah’s Ark Lab(华为诺亚实验室)
提出多层级基准TIME,含38,522个问答对,覆盖真实世界时间推理挑战,实验分析推理模型性能并发布人工标注子集TIME-Lite。
2025-10-08 cs.AI cs.CL
Temporalizing Confidence: Evaluation of Chain-of-Thought Reasoning with Signal Temporal Logic
University of Florida(佛罗里达大学);University of Mannheim(曼海姆大学)
本文提出用信号时序逻辑评估思维链推理中的逐步置信度,并通过不确定性重塑策略改善LLM数学推理的校准与可靠性。
2025-06-09 cs.AI cs.LG
Towards Benchmarking and Improving the Temporal Reasoning Capability of Large Language Models
DAMO Academy, Alibaba Group(阿里巴巴集团达摩院);National University of Singapore(新加坡国立大学)
本文针对现有时间依赖问答数据集的偏差问题,提出了全面探测数据集TempReason以评估大语言模型的时间推理能力,并设计了基于时间跨度提取与时间敏感强化学习的新框架来提升该能力,实验证明其方法有效。
2023-06-27 cs.AI cs.CL
Measuring Iterative Temporal Reasoning with Time Puzzles
Department of Linguistics & IACS(语言学系及人工智能与计算科学中心);Stony Brook University(石溪大学)
本文提出时间谜题,一种基于约束的日期推断任务,用于评估工具辅助的迭代时间推理。研究发现,即使使用工具,模型在处理时间推理任务时仍存在可靠性不足的问题。
2026-10-02 cs.AI cs.CL
Large Language Models-guided Dynamic Adaptation for Temporal Knowledge Graph Reasoning
Beijing University of Technology(北京工业大学);Monash University(莫纳什大学);University of Hong Kong(香港大学);Griffith University(格里菲斯大学)
本文提出LLM-DA方法,利用大语言模型从历史数据中提取时序逻辑规则,并通过动态自适应策略更新规则以适应TKG演变,无需微调即可提升时序知识图谱推理的准确性和可解释性。
2024-12-30 cs.AI cs.CL