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
Selected Qualitative Spatio-temporal Calculi Developed for Constraint Reasoning: A Review
Stanford University(斯坦福大学)
在这篇文章中,一些定性的时空知识表示技术的约束推理社区内人工智能的发展进行审查。目的是向可能利用这些代表的任何其他有关团体提供广泛的接触机会。作者有一个特别的兴趣在应用这些演算(广义上)在拓扑数据分析,因为这些计划是高度定性的性质。
2018-12-03 cs.AI
Learning by Applying: A General Framework for Mathematical Reasoning via Enhancing Explicit Knowledge Learning
University of Science and Technology of China(中国科学技术大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
数学推理是通用人工智能的关键能力之一,它要求机器从解决问题中掌握数学逻辑和知识。然而,就在推理过程中学习和应用的知识而言,现有的方法并不透明(因此不可解释)。在本文中,我们提出了一个通用的学习应用(LeAp)框架,以增强现有的模型(骨干)在一个原则性的方式通过显式知识学习。在LeAp中,我们在一个新的问题-知识-表达范式中进行知识学习,知识编码器从问题数据中获取知识,知识解码器将知识应用于表达推理。学习到的数学知识,包括词-词关系和词-算子关系,形成了一个显性的知识图谱,将知识的“学”与“用”有机地连接起来。此外,对于问题的解决,我们设计了一个语义增强模块和推理增强模块,应用知识,以提高问题的理解和符号推理能力的任何骨干,分别。从理论上证明了LeAp自主学习机制的优越性。在三个真实数据集上的实验表明,LeAp提高了所有骨干的性能,学习准确的知识,并实现了更可解释的推理过程。
2023-02-11 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
Reasoning about actions with EL ontologies with temporal answer sets
Università del Piemonte Orientale(东皮埃蒙特大学);Università di Torino(都灵大学)
我们提出了一种基于回答集编程的方法,用于推理与域描述,包括本体知识,在轻量级描述逻辑EL^ \bot表示的行动。我们考虑一个时间的行动理论,它允许非确定性的行动和因果规则来处理后果,其扩展定义的时间答案集。我们提供的条件下,可以保证相对于本体的动作一致性,由一个多项式编码的动作理论扩展与EL^ \bot知识库(在范式)到一个时间的动作理论。
2021-07-18 cs.AI
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
A Unified Temporal Knowledge Graph Reasoning Model Towards Interpolation and Extrapolation
National University of Defense Technology(国防科技大学);Huawei Technologies Co., Ltd.(华为技术有限公司)
本文提出统一时序知识图谱推理模型TPAR,采用神经驱动符号推理,同时处理插值和外推,在链接预测任务上优于现有方法,并具备鲁棒性与可解释性。
2024-05-28 cs.AI
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
Towards Loosely-Coupling Knowledge Graph Embeddings and Ontology-based Reasoning
Technische Universität Berlin(柏林工业大学);Sapienza University of Rome(罗马第一大学)
知识图谱完成(又名~链接预测),即~从知识图谱推断缺失信息的任务是在诸如产品推荐和问答的许多应用中广泛使用的任务。知识图谱嵌入和/或规则挖掘和推理的现有技术方法是数据驱动的,因此仅基于输入知识图谱包含的信息。这导致不令人满意的预测结果,使得这种解决方案不适用于关键领域,如医疗保健。为了进一步提高知识图谱完成的准确性,我们提出将知识图谱嵌入的数据驱动能力与源于专家或蕴涵机制的特定于领域的推理(例如,OWL2)。通过这种方式,我们不仅可以利用输入知识图谱中可能不包括的领域知识来提高预测精度,而且还允许用户插入他们自己的知识图谱嵌入和推理方法。我们的初步结果表明,我们提高了香草知识图谱嵌入的MRR精度高达3倍,并优于混合解决方案,结合知识图谱嵌入与规则挖掘和推理高达3.5倍MRR。
2022-07-04 cs.AI cs.DB cs.LG
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
Deductive and Analogical Reasoning on a Semantically Embedded Knowledge Graph
U.S. Army Research Laboratory(美国陆军研究实验室)
将知识表示为连续语义向量空间中的高维向量,可以克服传统知识库的脆弱性和不完备性。我们提出了一种直接在这样的向量空间中进行演绎推理的方法,在推理链的每一步都以简单的方式结合类比、联想和演绎,利用来自不同来源和本体的知识。
2017-07-11 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
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
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
Neural, Symbolic and Neural-Symbolic Reasoning on Knowledge Graphs
Renmin University of China(中国人民大学)
知识图谱推理是支持信息抽取、信息检索和推荐等机器学习应用的基本组成部分。由于知识图谱可以被看作是知识的离散符号表示,因此知识图谱上的推理可以自然地利用符号技术。然而,符号推理是不容忍的歧义和噪音的数据。相反,深度学习的最新进展促进了知识图谱上的神经推理,这对模糊和噪声数据具有鲁棒性,但与符号推理相比缺乏可解释性。考虑到这两种方法的优点和缺点,最近的努力已经取得了这两种推理方法相结合。在这篇综述中,我们深入研究了知识图谱上的符号推理、神经推理和混合推理的发展。我们调查两个具体的推理任务,知识图完成和知识图谱上的问答,并解释他们在一个统一的推理框架。我们还简要讨论了知识图谱推理的未来发展方向。
2021-03-31 cs.AI cs.LO
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
Neural-Symbolic Reasoning over Knowledge Graphs: A Survey from a Query Perspective
Wayne State University(韦恩州立大学);University of Illinois at Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校)
该综述从查询视角全面梳理知识图谱推理,涵盖神经符号推理分类及与大语言模型的融合,旨在为多领域研究者提供当前态势与未来方向的相关见解。
2026-08-25 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
Knowledge Reasoning Language Model: Unifying Knowledge and Language for Inductive Knowledge Graph Reasoning
The Key Laboratory of Knowledge Engineering with Big Data (the Ministry of Education of China), Hefei University of Technology, China(合肥工业大学大数据知识工程教育部重点实验室);School of Computer Science and Information Engineering, Hefei University of Technology, China(合肥工业大学计算机与信息学院);Nanjing University of Science and Technology, China(南京理工大学);China Unicom Digital Technology Co., Ltd., Beijing, China(联通数字科技有限公司);China Unicom Internet of Things Co., Ltd., Nanjing, China(联通物联网有限责任公司);Shandong Inspur Science Research Institute, Jinan, China(山东浪潮科学研究院);Griffith University, Australia(格里菲斯大学)
本文提出KRLM,通过统一语言模型知识与知识图谱上下文,解决归纳知识图谱推理中的知识扭曲和生成幻觉问题,实验表明其在25个真实数据集上表现优异。
2026-04-07 cs.AI cs.CL
Multimodal Analogical Reasoning over Knowledge Graphs
Zhejiang University(浙江大学);AZFT Joint Lab for Knowledge Engine(知识引擎AZFT联合实验室);National University of Singapore(新加坡国立大学)
类比推理是人类认知的基础,在各个领域都占有重要地位。然而,以往的研究主要集中在单模态类比推理,忽视了结构知识的利用。值得注意的是,认知心理学的研究表明,来自多模态来源的信息总是比单一模态来源带来更强大的认知转移。为此,我们介绍了多模态类比推理知识图谱,这需要多模态推理能力的背景知识的帮助下,新的任务。具体来说,我们构建了一个多模态类比推理数据集(MARS)和一个多模态知识图谱MarKG。我们使用多模态知识图谱嵌入和预训练的Transformer基线进行评估,说明了所提出的任务的潜在挑战。基于结构映射理论,我们提出了一种新的模型无关的多模态类比推理框架--Transformer(MarT),该框架具有更好的性能。代码和数据集可在https://github.com/zjunlp/MKG_Analogy上获得。
2023-03-01 cs.AI cs.CL cs.CV
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
Knowledge Pyramid: A Novel Hierarchical Reasoning Structure for Generalized Knowledge Augmentation and Inference
Northwestern Polytechnical University(西北工业大学)
本文针对知识图谱推理中低层知识导致泛化不足的问题,提出知识金字塔框架,通过从低层知识提取高层知识并在多层层次化知识图谱中进行推理,在医学数据集上验证了其能提升推理性能与泛化能力,尤其在少样本场景下准确率显著提高。
2024-01-17 cs.AI cs.IR
On Exploring the Reasoning Capability of Large Language Models with Knowledge Graphs
Singapore Management University(新加坡管理大学);National Sun Yat-sen University(国立中山大学)
本文研究大语言模型利用预训练知识图谱进行推理的能力,通过四类任务验证其记忆回忆与上下文推断表现,并识别出内容幻觉和本体幻觉两类问题。
2023-12-01 cs.AI cs.CL
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
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
Contrastive Representations for Temporal Reasoning
University of Warsaw(华沙大学);IDEAS NCBR;IMPAN(波兰数学与计算机科学研究院);Warsaw University of Technology(华沙技术大学);Princeton University(普林斯顿大学);NVIDIA(英伟达公司)
本文针对标准时序对比学习依赖虚假特征的问题,提出 CRTR 负采样表示方法,在 Sokoban 与魔方上实现强时序推理,并仅凭学习表示高效求解任意魔方状态。
2025-09-29 cs.AI cs.LG
A Survey on Temporal Reasoning for Temporal Information Extraction from Text (Extended Abstract)
University Medical Center Utrecht(乌得勒支大学医学中心);KU Leuven(鲁汶大学)
时间深深地融入了人们对世界的感知和交流。我们几乎是无意识地为我们的语言话语提供了时间线索,比如动词时态,没有这些线索,我们很难造句。从文本中提取时间线索,并构建关于描述事件顺序的全局时间视图是自动自然语言理解的主要挑战。时间推理是将不同的时间线索组合成一个连贯的时间视图的过程,在时间信息抽取中起着核心作用。本文综述了过去几十年来关于文本时间信息抽取的时间推理研究,并提供了一个将符号推理与基于机器学习的信息抽取系统相结合的案例研究。
2020-05-15 cs.AI cs.CL cs.LG
Temporal Sampling for Forgotten Reasoning in LLMs
University of Washington(华盛顿大学);Carnegie Mellon University(卡内基梅隆大学);Western Washington University(西华盛顿大学)
针对微调导致大语言模型遗忘先前正确推理能力的问题,提出时间采样解码策略,从训练轨迹多检查点采样输出,无需重训即可恢复遗忘解法,显著提升推理性能。
2025-05-26 cs.AI cs.LG
NeSTR: A Neuro-Symbolic Abductive Framework for Temporal Reasoning in Large Language Models
National Key Laboratory of Big Data and Decision(大数据与决策国家重点实验室)
NeSTR通过结合符号表示与反思推理,提升大语言模型在复杂时间约束下的推理能力。
2025-12-08 cs.AI cs.CL cs.LG
Can LLMs Reconcile Knowledge Conflicts in Counterfactual Reasoning
Department of Machine Learning(机器学习系);Carnegie Mellon University(卡内基梅隆大学)
本研究探讨了大语言模型在反事实推理中整合参数知识的能力,发现其普遍挣扎并存在知识退化问题。
2026-02-03 cs.AI cs.LG
Learning to Reason Over Time: Timeline Self-Reflection for Improved Temporal Reasoning in Language Models
University of Cambridge(剑桥大学);Amazon AGI(亚马逊人工智能研究院)
本文提出TISER框架,通过结合时间线构建与迭代自我反思的多阶段过程,利用测试时扩展延长推理轨迹,有效增强大型语言模型的时间推理能力,使较小开源模型在时间推理任务上超越较大闭权重模型。
2025-05-30 cs.AI cs.CL cs.LG
An Overview Of Temporal Commonsense Reasoning and Acquisition
University of Innsbruck(因斯布鲁克大学)
本文综述时间常识推理与获取研究,指出大语言模型虽能生成正确句子但推理浅层,通过多种增强手段提升性能仍难及人类,强调谨慎解读评估结果并合理设计数据集与指标。
2023-11-16 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
Temporal Spiking Neural Networks with Synaptic Delay for Graph Reasoning
Peking University(北京大学);Pazhou Laboratory (Huangpu)(琶洲实验室(黄埔))
本文提出结合突触延迟与时间编码的SNNs,利用尖峰时间作为额外维度编码关系属性,实现高效图推理,理论上节能20倍。
2024-05-27 cs.AI cs.LG cs.NE
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
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
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
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
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
A Modular Multitask Reasoning Framework Integrating Spatio-temporal Models and LLMs
College of Computing and Data Science, Nanyang Technological University, Singapore(南洋理工大学计算机与数据科学学院);Institute for Infocomm Research, A*STAR, Singapore(资讯通信研究院);School of Computer Science and Engineering, Beihang University, China(北京航空航天大学计算机科学与工程学院)
本研究提出整合时空模型与LLMs的STReason框架,通过上下文学习分解查询生成解释,在时空推理任务中显著优于LLM基线,可抑制幻觉并减少专家工作量。
2026-08-26 cs.AI cs.CL cs.LG
Overcoming Knowledge Discrepancies: Structuring Reasoning Threads through Knowledge Balancing in Interactive Scenarios
Ferdinand Steinbeis Institute(费尔迪南·斯坦贝茨研究所)
针对交互式推理中知识差异和推理线索低效问题,本文提出两阶段ReT-Eval框架,通过图神经网络提取知识结构并结合大语言模型内在知识,再以奖励引导剪枝生成有效推理线索,实验证明其优于现有模型。
2025-08-16 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
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
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
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
Assessing LLM Reasoning Steps via Principal Knowledge Grounding
Korea University(韩国大学);University of Seoul(首尔大学);AWS AI Labs(AWS人工智能实验室);AIGEN Sciences(AIGEN科学)
针对LLM逐步推理难以验证知识基础的问题,提出包含原子知识库、知识基础评估指标及轻量级评估模型的评估套件,有效识别推理中的知识缺陷,并可应用于偏好优化。
2025-11-02 cs.AI cs.CL cs.LG
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