論文の概要: Enhancing Temporal Awareness in LLMs for Temporal Point Processes

• arxiv url: http://arxiv.org/abs/2601.00845v1
• Date: Mon, 29 Dec 2025 03:01:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.780639
• Title: Enhancing Temporal Awareness in LLMs for Temporal Point Processes
• Title（参考訳）: 時間点過程におけるLLMの時間的認識の促進
• Authors: Lili Chen, Wensheng Gan, Shuang Liang, Philip S. Yu,
• Abstract要約: 時間的ポイントプロセス(TPP)は、時間とともにイベントを分析するのに不可欠である。 TPP-TALは、大規模な言語モデルにおける時間的推論を強化するために設計された新しいプラグイン・アンド・プレイフレームワークである。 TPP-TALは時間的確率推定と事象予測精度を大幅に改善した。
• 参考スコア（独自算出の注目度）: 53.596733432865626
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal point processes (TPPs) are crucial for analyzing events over time and are widely used in fields such as finance, healthcare, and social systems. These processes are particularly valuable for understanding how events unfold over time, accounting for their irregularity and dependencies. Despite the success of large language models (LLMs) in sequence modeling, applying them to temporal point processes remains challenging. A key issue is that current methods struggle to effectively capture the complex interaction between temporal information and semantic context, which is vital for accurate event modeling. In this context, we introduce TPP-TAL (Temporal Point Processes with Enhanced Temporal Awareness in LLMs), a novel plug-and-play framework designed to enhance temporal reasoning within LLMs. Rather than using the conventional method of simply concatenating event time and type embeddings, TPP-TAL explicitly aligns temporal dynamics with contextual semantics before feeding this information into the LLM. This alignment allows the model to better perceive temporal dependencies and long-range interactions between events and their surrounding contexts. Through comprehensive experiments on several benchmark datasets, it is shown that TPP-TAL delivers substantial improvements in temporal likelihood estimation and event prediction accuracy, highlighting the importance of enhancing temporal awareness in LLMs for continuous-time event modeling. The code is made available at https://github.com/chenlilil/TPP-TAL
• Abstract（参考訳）: 時間的ポイントプロセス(TPP)は、時間とともにイベントを分析するために重要であり、金融、医療、社会システムなどの分野で広く利用されている。 これらのプロセスは、イベントが時間とともにどのように広がるかを理解するのに特に有用である。 シーケンスモデリングにおける大きな言語モデル(LLM)の成功にもかかわらず、これらを時間点プロセスに適用することは依然として困難である。 重要な問題は、現在のメソッドが、正確なイベントモデリングに不可欠である時間的情報とセマンティックコンテキストの間の複雑な相互作用を効果的に捉えるのに苦労していることである。 そこで本研究では, TPP-TAL (Temporal Point Processes with Enhanced Temporal Awareness in LLMs) を導入する。 イベント時間と型埋め込みを単純に結合する従来の方法ではなく、TPP-TALは、この情報をLLMに入力する前に、時間的ダイナミクスと文脈的意味論を明示的に整合させる。 このアライメントにより、モデルは、イベントとその周囲のコンテキスト間の時間的依存関係と長距離の相互作用をよりよく知覚することができる。 いくつかのベンチマークデータセットの総合的な実験を通して、TPP-TALは時間的確率推定と事象予測精度を大幅に改善し、連続時間イベントモデリングのためのLLMにおける時間的認識を高めることの重要性を強調した。 コードはhttps://github.com/chenlilil/TPP-TALで公開されている。

関連論文リスト

• LLM-PS: Empowering Large Language Models for Time Series Forecasting with Temporal Patterns and Semantics [56.99021951927683]
  Time Series Forecasting (TSF) は、金融計画や健康モニタリングなど、多くの現実世界のドメインにおいて重要である。 既存のLarge Language Models (LLM) は通常、時系列データ固有の特性を無視するため、非最適に実行する。 時系列データから基本的なtextitPatterns と有意義な textitSemantics を学習し,TLF のための LLM-PS を提案する。
  論文  参考訳（メタデータ） (2025-03-12T11:45:11Z)
• Language-TPP: Integrating Temporal Point Processes with Language Models for Event Analysis [23.27520345839548]
  テンポラルポイントプロセス(TPP)は、イベントシーケンスモデリングに広く用いられているが、リッチテキストのイベント記述を効果的に組み込むのに苦労することが多い。 本稿では,TPPをLLM(Large Language Models)と統合した統合フレームワークであるLanguage-TPPを紹介した。
  論文  参考訳（メタデータ） (2025-02-11T00:09:45Z)
• TPP-LLM: Modeling Temporal Point Processes by Efficiently Fine-Tuning Large Language Models [0.0]
  時間的ポイントプロセス(TPP)は、ソーシャルネットワーク、交通システム、eコマースなどのドメインにおけるイベントのタイミングと発生をモデル化するために広く用いられている。 イベントシーケンスのセマンティックな側面と時間的側面の両方をキャプチャするために,大規模言語モデル(LLM)とTPPを統合する新しいフレームワークであるTPP-LLMを紹介する。
  論文  参考訳（メタデータ） (2024-10-02T22:17:24Z)
• Analyzing Temporal Complex Events with Large Language Models? A Benchmark towards Temporal, Long Context Understanding [57.62275091656578]
  時間的複合イベント(TCE)として、長い期間にわたって多くのニュース記事から構成される複合イベントについて述べる。 本稿では,Large Language Models (LLMs) を用いて,TCE内のイベントチェーンを系統的に抽出し,解析する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:42:17Z)
• Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
  CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す 提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。 コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
  論文  参考訳（メタデータ） (2024-02-01T07:21:30Z)
• Prompt-augmented Temporal Point Process for Streaming Event Sequence [18.873915278172095]
  本稿では,ニューラル・テンポラル・ポイント・プロセス(TPP)モデルを継続的に監視するための新しいフレームワークを提案する。 PromptTPPは、3つの実際のユーザ行動データセットにわたって、最先端のパフォーマンスを一貫して達成する。
  論文  参考訳（メタデータ） (2023-10-08T03:41:16Z)
• Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
  時系列予測は多くの実世界の力学系において重要な意味を持つ。 時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。 Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
  論文  参考訳（メタデータ） (2023-10-03T01:31:25Z)

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。