論文の概要: Temporal-Aware Heterogeneous Graph Reasoning with Multi-View Fusion for Temporal Question Answering

• arxiv url: http://arxiv.org/abs/2602.19569v1
• Date: Mon, 23 Feb 2026 07:36:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.712628
• Title: Temporal-Aware Heterogeneous Graph Reasoning with Multi-View Fusion for Temporal Question Answering
• Title（参考訳）: 時間的質問応答のための多視点融合による時間的認識不均一グラフ推論
• Authors: Wuzhenghong Wen, Bowen Zhou, Jinwen Huang, Xianjie Wu, Yuwei Sun, Su Pan, Liang Li, Jianting Liu,
• Abstract要約: 本稿では,時間認識型質問エンコーディング,マルチホップグラフ推論,多視点異種情報融合を用いた新しいフレームワークを提案する。 具体的には,1)言語モデルからのセマンティックキューと時間的実体力学を組み合わせた制約付き質問表現,2)時間的メッセージパッシングによる明示的なマルチホップ推論のための時間的グラフニューラルネットワーク,3)より効果的な質問コンテキストと時間的グラフ知識の融合のためのマルチビューアテンション機構を提案する。
• 参考スコア（独自算出の注目度）: 15.478564862251352
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Question Answering over Temporal Knowledge Graphs (TKGQA) has attracted growing interest for handling time-sensitive queries. However, existing methods still struggle with: 1) weak incorporation of temporal constraints in question representation, causing biased reasoning; 2) limited ability to perform explicit multi-hop reasoning; and 3) suboptimal fusion of language and graph representations. We propose a novel framework with temporal-aware question encoding, multi-hop graph reasoning, and multi-view heterogeneous information fusion. Specifically, our approach introduces: 1) a constraint-aware question representation that combines semantic cues from language models with temporal entity dynamics; 2) a temporal-aware graph neural network for explicit multi-hop reasoning via time-aware message passing; and 3) a multi-view attention mechanism for more effective fusion of question context and temporal graph knowledge. Experiments on multiple TKGQA benchmarks demonstrate consistent improvements over multiple baselines.
• Abstract（参考訳）: 時間的知識グラフ(TKGQA)に関する質問回答は、時間に敏感なクエリを扱うことへの関心が高まっている。 しかし、既存の手法はいまだに苦戦している。 1) 質問表現における時間的制約の弱化は,バイアスのある推論を引き起こす。 2) 明示的なマルチホップ推論を行う能力の制限,及び 3)言語とグラフ表現の最適部分融合。 本稿では,時間認識型質問エンコーディング,マルチホップグラフ推論,多視点異種情報融合を用いた新しいフレームワークを提案する。 具体的には、私たちのアプローチを紹介します。 1) 言語モデルからの意味的手がかりと時間的実体力学を組み合わせた制約対応質問表現 2)時間認識型メッセージパッシングによる明示的なマルチホップ推論のための時間認識グラフニューラルネットワーク 3)質問コンテキストと時間グラフ知識をより効果的に融合するための多視点アテンション機構。 複数のTKGQAベンチマークの実験では、複数のベースラインに対して一貫した改善が示されている。

関連論文リスト

• Video-R2: Reinforcing Consistent and Grounded Reasoning in Multimodal Language Models [56.851611990473174]
  動的ビジュアルコンテンツに対する推論は、大きな言語モデルにとって依然として中心的な課題である。 本稿では,時間的精度と推論一貫性を両立させる強化学習手法を提案する。 結果のモデルであるVideo R2は、複数のベンチマークでTAC、VAS、精度を一貫して向上させる。
  論文  参考訳（メタデータ） (2025-11-28T18:59:58Z)
• StreamingCoT: A Dataset for Temporal Dynamics and Multimodal Chain-of-Thought Reasoning in Streaming VideoQA [60.86024022291499]
  ストリーミングビデオストリームにおける時間的に進化する推論のために明示的に設計された最初のデータセットであるStreamingCoTを紹介する。 本フレームワークは,秒単位の高密度な記述を生成し,類似性融合により時間依存性のセマンティックセグメントを構築する。 このデータセットは、ストリーミングビデオ理解、複雑な時間的推論、マルチモーダル推論の研究を促進する基盤を確立する。
  論文  参考訳（メタデータ） (2025-10-29T09:47:38Z)
• The benefits of query-based KGQA systems for complex and temporal questions in LLM era [55.20230501807337]
  大規模言語モデルは質問回答(QA)に優れていますが、マルチホップ推論や時間的質問には苦戦しています。 クエリベースの知識グラフ QA (KGQA) は、直接回答の代わりに実行可能なクエリを生成するモジュール形式の代替手段を提供する。 WikiData QAのためのマルチステージクエリベースのフレームワークについて検討し、課題のあるマルチホップと時間ベンチマークのパフォーマンスを向上させるマルチステージアプローチを提案する。
  論文  参考訳（メタデータ） (2025-07-16T06:41:03Z)
• Joint Multi-Facts Reasoning Network For Complex Temporal Question Answering Over Knowledge Graph [34.44840297353777]
  時間的知識グラフ(TKG)は、時間範囲をアタッチすることで、通常の知識グラフの拡張である。 textbfunderlineMulti textbfunderlineFacts textbfunderlineReasoning textbfunderlineNetwork (JMFRN)を提案する。
  論文  参考訳（メタデータ） (2024-01-04T11:34:39Z)
• MTGER: Multi-view Temporal Graph Enhanced Temporal Reasoning over Time-Involved Document [26.26604509399347]
  MTGERは、時間に関連する文書に対する時間的推論のための新しいフレームワークである。 多視点時間グラフにより、事実間の時間的関係を明示的にモデル化する。 MTGERは質問の摂動下でより一貫した回答を与える。
  論文  参考訳（メタデータ） (2023-11-08T16:41:37Z)
• Keyword-Aware Relative Spatio-Temporal Graph Networks for Video Question Answering [16.502197578954917]
  ビデオQAのグラフベースのメソッドは通常、質問のキーワードを無視し、機能を集約するために単純なグラフを使用する。 ビデオQAのためのキーワード対応相対時空間(KRST)グラフネットワークを提案する。
  論文  参考訳（メタデータ） (2023-07-25T04:41:32Z)
• 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)
• Semantic Framework based Query Generation for Temporal Question Answering over Knowledge Graphs [19.851986862305623]
  本稿では,提案するエンティティの関連事実を探索し,問合せグラフを生成する時間的質問応答手法であるSF-TQAを提案する。 評価の結果,SF-TQAは知識グラフの異なる2つのベンチマークにおいて既存手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2022-10-10T08:40:28Z)
• Learn to Explain: Multimodal Reasoning via Thought Chains for Science Question Answering [124.16250115608604]
  本稿では,SQA(Science Question Answering)について紹介する。SQA(Science Question Answering)は,21万のマルチモーダルな複数選択質問と多様な科学トピックと,それに対応する講義や説明による回答の注釈からなる新しいベンチマークである。 また,SQAでは,数ショットのGPT-3では1.20%,微調整のUnifiedQAでは3.99%の改善が見られた。 我々の分析は、人間に似た言語モデルは、より少ないデータから学習し、わずか40%のデータで同じパフォーマンスを達成するのに、説明の恩恵を受けることを示している。
  論文  参考訳（メタデータ） (2022-09-20T07:04:24Z)
• Dynamic Semantic Graph Construction and Reasoning for Explainable Multi-hop Science Question Answering [50.546622625151926]
  マルチホップQAのための説明可能性を得ながら,より有効な事実を活用できる新しいフレームワークを提案する。 a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(c) グラフ畳み込みネットワーク(GCN)を利用した事実レベルの関係モデリング,(c) 推論過程の導出を行う。
  論文  参考訳（メタデータ） (2021-05-25T09:14:55Z)

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。