論文の概要: Temporal Information Retrieval via Time-Specifier Model Merging

• arxiv url: http://arxiv.org/abs/2507.06782v1
• Date: Wed, 09 Jul 2025 12:16:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.577431
• Title: Temporal Information Retrieval via Time-Specifier Model Merging
• Title（参考訳）: 時間仕様モデルマージによる時間情報検索
• Authors: SeungYoon Han, Taeho Hwang, Sukmin Cho, Soyeong Jeong, Hoyun Song, Huije Lee, Jong C. Park,
• Abstract要約: Time-Specifier Model Merging (TSM) は、非時間的クエリの精度を維持しながら時間的検索を強化する新しい手法である。 時間的および非時間的データセットの大規模な実験により、TSMは時間的制約のあるクエリのパフォーマンスを著しく改善することが示された。
• 参考スコア（独自算出の注目度）: 9.690250070561461
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid expansion of digital information and knowledge across structured and unstructured sources has heightened the importance of Information Retrieval (IR). While dense retrieval methods have substantially improved semantic matching for general queries, they consistently underperform on queries with explicit temporal constraints--often those containing numerical expressions and time specifiers such as ``in 2015.'' Existing approaches to Temporal Information Retrieval (TIR) improve temporal reasoning but often suffer from catastrophic forgetting, leading to reduced performance on non-temporal queries. To address this, we propose Time-Specifier Model Merging (TSM), a novel method that enhances temporal retrieval while preserving accuracy on non-temporal queries. TSM trains specialized retrievers for individual time specifiers and merges them in to a unified model, enabling precise handling of temporal constraints without compromising non-temporal retrieval. Extensive experiments on both temporal and non-temporal datasets demonstrate that TSM significantly improves performance on temporally constrained queries while maintaining strong results on non-temporal queries, consistently outperforming other baseline methods. Our code is available at https://github.com/seungyoonee/TSM .
• Abstract（参考訳）: 構造化・非構造化ソース間のデジタル情報と知識の急速な拡大は、情報検索(IR)の重要性を高めている。 厳密な検索手法は一般的なクエリのセマンティックマッチングを大幅に改善しているが、数値表現や 'in 2015'' のような時間指定子を含むクエリは、時間的推論を改善するが、破滅的な忘れ込みに悩まされることが多く、非時間的クエリのパフォーマンスが低下する。 そこで本稿では,非時間的クエリの精度を保ちながら時間的検索を向上させる新しい手法であるTime-Specifier Model Merging (TSM)を提案する。 TSMは、個別の時間指定子のためのレトリバーを訓練し、それらを統一されたモデルにマージし、非時間的検索を困難にすることなく、時間的制約の正確な処理を可能にする。 時間的および非時間的両方のデータセットに対する大規模な実験は、TSMが時間的制約のあるクエリのパフォーマンスを著しく改善し、非時間的クエリに対する強い結果を維持し、他のベースラインメソッドを一貫して上回ることを示した。 私たちのコードはhttps://github.com/seungyoonee/TSMで利用可能です。

関連論文リスト

• ReTimeCausal: EM-Augmented Additive Noise Models for Interpretable Causal Discovery in Irregular Time Series [32.21736212737614]
  本稿では, 金融, 医療, 気候科学などの高度領域における不規則サンプル時系列における因果発見について検討する。 ReTimeCausalは,物理誘導型データ計算と疎因性推論を統一する付加雑音モデル(ANM)と期待最大化(EM)の新たな統合である。
  論文  参考訳（メタデータ） (2025-07-04T05:39:50Z)
• LLM-Symbolic Integration for Robust Temporal Tabular Reasoning [69.27153114778748]
  本研究では,システムおよび制御された評価のための合成データセットであるTempTabQA-Cを紹介する。 この構造化アプローチにより、LLM(Large Language Models)はsqlクエリの生成と実行を可能にし、一般化とバイアス軽減の強化を行う。
  論文  参考訳（メタデータ） (2025-06-06T05:14:04Z)
• Dynamic Modes as Time Representation for Spatiotemporal Forecasting [19.551966701918236]
  提案手法は動的モード合成(DMD)を用いて観測データから直接時間モードを抽出する。 都市移動性,高速道路交通,気候に関する実験により,DMDをベースとした埋没は長期水平予測の精度を一貫して改善し,残差相関を低減し,時間的一般化を高めることが示されている。
  論文  参考訳（メタデータ） (2025-06-01T23:16:39Z)
• TIME: Temporal-sensitive Multi-dimensional Instruction Tuning and Benchmarking for Video-LLMs [55.23558461306722]
  ビデオ大言語モデルは、ビデオ質問応答のようなタスクにおいて顕著なパフォーマンスを達成した。 我々のデータセットは5つの重要な次元にわたる時間的理解の向上に焦点を当てている。 本稿では,時間に敏感なタスクを既存の命令データセットにシームレスに統合するマルチタスクプロンプト微調整手法を提案する。
  論文  参考訳（メタデータ） (2025-03-13T03:05:11Z)
• TempRetriever: Fusion-based Temporal Dense Passage Retrieval for Time-Sensitive Questions [18.87473448633352]
  本研究では,検索プロセスにクエリ日時と文書タイムスタンプの両方を埋め込むことで,時間情報を明示的に組み込むTempRetrieverを提案する。 TempRetrieverは、Top-1検索精度が6.63%向上し、NDCG@10が3.79%向上した。 また,トレーニング中の時間的ずれに対処し,検索性能をさらに向上する,時間に基づく新規なネガティブサンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2025-02-28T13:06:25Z)
• MRAG: A Modular Retrieval Framework for Time-Sensitive Question Answering [3.117448929160824]
  大規模言語モデル(LLM)を用いた質問応答システムにおいて,時間的関係と応答時間に敏感な質問 我々は、時間的摂動と金のエビデンスラベルを組み込むことで、既存のデータセットを再利用するTempRAGEvalベンチマークを導入する。 TempRAGEvalでは、MRAGが検索性能においてベースラインレトリバーを著しく上回り、最終回答精度がさらに向上した。
  論文  参考訳（メタデータ） (2024-12-20T03:58:27Z)
• Towards Robust Temporal Reasoning of Large Language Models via a Multi-Hop QA Dataset and Pseudo-Instruction Tuning [73.51314109184197]
  大規模言語モデル(LLM)には時間的知識の概念を理解することが不可欠である。 本稿では,複数質問応答と複数ホップの時間的推論に焦点をあてた複雑な時間的質問応答データセットであるComplex-TRを提案する。
  論文  参考訳（メタデータ） (2023-11-16T11:49:29Z)
• Unlocking Temporal Question Answering for Large Language Models with Tailor-Made Reasoning Logic [84.59255070520673]
  大きな言語モデル(LLM)は、時間的推論に関わる際に課題に直面します。 本研究では,時間的質問応答タスクに特化して設計された新しいフレームワークであるTempLogicを提案する。
  論文  参考訳（メタデータ） (2023-05-24T10:57:53Z)
• Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [55.596897987498174]
  本稿では,重み付き時間遅延フィードバック機構を備えたゲートリカレントユニット(GRU)を導入し,時系列データの長期依存性をモデル化する手法を提案する。 提案したモデルである $tau$-GRU は、繰り返し単位の連続時間定式化の離散版であり、力学は遅延微分方程式(DDE)によって制御される。
  論文  参考訳（メタデータ） (2022-12-01T02:26:34Z)

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。