論文の概要: It's High Time: A Survey of Temporal Information Retrieval and Question Answering

• arxiv url: http://arxiv.org/abs/2505.20243v2
• Date: Sat, 31 May 2025 09:34:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-03 13:48:30.0015
• Title: It's High Time: A Survey of Temporal Information Retrieval and Question Answering
• Title（参考訳）: 時間的情報検索と質問応答に関する調査
• Authors: Bhawna Piryani, Abdelrahman Abdallah, Jamshid Mozafari, Avishek Anand, Adam Jatowt,
• Abstract要約: 本稿では,時間的情報検索と時間的質問回答の総合的概要について述べる。 我々は、トランスフォーマーモデルや大規模言語モデルなど、従来のアプローチと現代的なニューラルメソッドの両方をレビューする。 また、時間的言語モデリング、マルチホップ推論、検索強化生成の最近の進歩についてもレビューする。
• 参考スコア（独自算出の注目度）: 17.07150094603319
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time plays a critical role in how information is generated, retrieved, and interpreted. In this survey, we provide a comprehensive overview of Temporal Information Retrieval and Temporal Question Answering, two research areas aimed at handling and understanding time-sensitive information. As the amount of time-stamped content from sources like news articles, web archives, and knowledge bases increases, systems must address challenges such as detecting temporal intent, normalizing time expressions, ordering events, and reasoning over evolving or ambiguous facts. These challenges are critical across many dynamic and time-sensitive domains, from news and encyclopedias to science, history, and social media. We review both traditional approaches and modern neural methods, including those that use transformer models and Large Language Models (LLMs). We also review recent advances in temporal language modeling, multi-hop reasoning, and retrieval-augmented generation (RAG), alongside benchmark datasets and evaluation strategies that test temporal robustness, recency awareness, and generalization.
• Abstract（参考訳）: 時間が情報の生成、検索、解釈の仕方において重要な役割を果たす。 本調査では,時間に敏感な情報の扱いと理解を目的とした2つの調査分野である時間的情報検索と時間的質問回答の総合的な概要について述べる。 ニュース記事、ウェブアーカイブ、知識ベースなどの情報源からのタイムスタンプ付きコンテンツの量が増加するにつれて、システムは時間的意図の検出、時間表現の正規化、イベントの順序付け、進化または曖昧な事実の推論といった課題に対処しなければならない。 これらの課題は、ニュースや百科事典から科学、歴史、ソーシャルメディアに至るまで、多くの動的かつ時間に敏感な領域で批判的である。 我々は、トランスフォーマーモデルやLLM(Large Language Models)など、従来のアプローチと現代的なニューラルメソッドの両方をレビューする。 また、時間的ロバスト性、傾向認識、一般化をテストするためのベンチマークデータセットや評価戦略とともに、時間的言語モデリング、マルチホップ推論、検索強化生成(RAG)の最近の進歩についてもレビューする。

関連論文リスト

• Information Retrieval in the Age of Generative AI: The RGB Model [77.96475639967431]
  本稿では,生成型AIツールの利用の増加に伴って生じる複雑な情報ダイナミクスについて,新たな定量的アプローチを提案する。 本稿では,新たなトピックに応答して情報の生成,索引付け,普及を特徴付けるモデルを提案する。 以上の結果から,AI導入の急激なペースとユーザ依存度の増加は,不正確な情報拡散のリスクを増大させる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-04-29T10:21:40Z)
• Enhancing Temporal Sensitivity and Reasoning for Time-Sensitive Question Answering [23.98067169669452]
  Time-Sensitive Question Answering (TSQA)は、特定の時間的文脈を効果的に活用することを要求する。 本稿では,時間的認知と推論を時間的情報認識の埋め込みとグラニュラコントラスト強化学習を通じて促進する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-25T13:13:21Z)
• Time Awareness in Large Language Models: Benchmarking Fact Recall Across Time [0.0]
  現実のシナリオでは、回答の正しさはしばしば時間的文脈に結びついている。 2018年から2024年にかけて8000以上のイベントにまたがる新しいフレームワークとデータセットを提示します。 私たちの仕事は、タイムアウェアな言語モデルを進めるための重要なステップを提供します。
  論文  参考訳（メタデータ） (2024-09-20T08:57:20Z)
• Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook [95.32949323258251]
  時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。 大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
  論文  参考訳（メタデータ） (2023-10-16T09:06:00Z)
• Large Language Models for Information Retrieval: A Survey [58.30439850203101]
  情報検索は、項ベースの手法から高度なニューラルモデルとの統合へと進化してきた。 近年の研究では、大規模言語モデル(LLM)を活用してIRシステムの改善が試みられている。 LLMとIRシステムの合流点を探索し、クエリリライト、リトリバー、リランカー、リーダーといった重要な側面を含む。
  論文  参考訳（メタデータ） (2023-08-14T12:47:22Z)
• An Overview Of Temporal Commonsense Reasoning and Acquisition [20.108317515225504]
  時間的コモンセンス推論(英: Temporal Commonsense reasoning)とは、フレーズ、行動、出来事の典型的な時間的文脈を理解する能力である。 大規模言語モデルの性能に関する最近の研究は、しばしば推論においてショートカットを行い、単純な言語トラップに陥ることが示唆されている。
  論文  参考訳（メタデータ） (2023-07-28T01:30:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。