論文の概要: WISTERIA: Weak Implicit Signal-based Temporal Relation Extraction with Attention

• arxiv url: http://arxiv.org/abs/2603.23319v1
• Date: Tue, 24 Mar 2026 15:20:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.558947
• Title: WISTERIA: Weak Implicit Signal-based Temporal Relation Extraction with Attention
• Title（参考訳）: WISTERIA:注意を伴う弱信号に基づく時間関係抽出
• Authors: Duy Dao Do, Anaïs Halftermeyer, Thi-Bich-Hanh Dao,
• Abstract要約: 時間関係抽出(TRE)では、時間内の2つの事象や時間的表現がどのように関連しているかを特定する必要がある。 本稿では,各イベントペアに設定されたトップKアテンションコンポーネントが,時間的分類の解釈可能な証拠を真にエンコードするかどうかを調べるフレームワークであるWISTERIAを提案する。 TimeBank-Dense、MATRES、TDDMan、TDDAutoにおいて、トップKトークンの言語分析を含む広範な実験を行います。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal Relation Extraction (TRE) requires identifying how two events or temporal expressions are related in time. Existing attention-based models often highlight globally salient tokens but overlook the pair-specific cues that actually determine the temporal relation. We propose WISTERIA (Weak Implicit Signal-based Temporal Relation Extraction with Attention), a framework that examines whether the top-K attention components conditioned on each event pair truly encode interpretable evidence for temporal classification. Unlike prior works assuming explicit markers such as before, after, or when, WISTERIA considers signals as any lexical, syntactic, or morphological element implicitly expressing temporal order. By combining multi-head attention with pair-conditioned top-K pooling, the model isolates the most informative contextual tokens for each pair. We conduct extensive experiments on TimeBank-Dense, MATRES, TDDMan, and TDDAuto, including linguistic analyses of top-K tokens. Results show that WISTERIA achieves competitive accuracy and reveals pair-level rationales aligned with temporal linguistic cues, offering a localized and interpretable view of temporal reasoning.
• Abstract（参考訳）: 時間関係抽出(TRE)では、時間内の2つの事象や時間的表現がどのように関連しているかを特定する必要がある。 既存の注意に基づくモデルでは、世界中に有意なトークンが強調されることが多いが、時間的関係を実際に決定するペア固有の手がかりを見落としている。 本稿では,各事象対に条件付きトップK注目成分が,時間的分類の解釈可能な証拠を真にエンコードするかどうかを調べる枠組みであるWISTERIAを提案する。 以前の作品とは異なり、WISTERIAは信号は時間順を暗黙的に表す語彙的、統語的、形態的要素であると考えている。 マルチヘッドアテンションとペア条件のトップKプーリングを組み合わせることで、各ペアの最も情報性の高いコンテキストトークンを分離する。 TimeBank-Dense、MATRES、TDDMan、TDDAutoにおいて、トップKトークンの言語分析を含む広範な実験を行います。 その結果,WISTERIAは競合精度を達成し,時間的言語的手がかりと整合したペアレベルの有理性を示し,時間的推論の局所的・解釈可能な視点を提供することがわかった。

関連論文リスト

• Why Attention Patterns Exist: A Unifying Temporal Perspective Analysis [61.597286699809395]
  textbfTemporal Attention Pattern Predictability Analysis (TAPPA)を紹介する。 TAPPAは、注意パターンを明確な規則性を持つ予測可能なパターンと、効果的にランダムに見える予測不可能なパターンと特徴付けている。 クエリ,キー,ロータリー位置埋め込み(RoPE)の結合効果による3つの代表的な症例の詳細な数学的解析を行う。
  論文  参考訳（メタデータ） (2026-01-29T13:40:23Z)
• Not in Sync: Unveiling Temporal Bias in Audio Chat Models [59.146710538620816]
  大規模音声言語モデル(LALM)は、音声理解やマルチモーダル推論にますます応用されている。 LALMにおける時間バイアスに関する最初の体系的研究を行い,その時間スタンプ予測における重要な限界を明らかにした。
  論文  参考訳（メタデータ） (2025-10-14T06:29:40Z)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• Only One Relation Possible? Modeling the Ambiguity in Event Temporal Relation Extraction [30.319025749352246]
  イベント時間関係抽出(ETRE)は、2つのイベント間の時間的関係を特定することを目的としている。 本稿では, ETRE (METRE) の多ラベル分類法を提案する。 本手法は,textitVagueインスタンスを有効利用して,特定の時間関係の認識を改善する。
  論文  参考訳（メタデータ） (2024-08-14T07:57:51Z)
• Learning Multi-graph Structure for Temporal Knowledge Graph Reasoning [3.3571415078869955]
  本稿では,LMS(Learning Multi-graph Structure)に着目した革新的な推論手法を提案する。 LMSは、タイムスタンプに沿って効果的にエンティティ表現をマージするための適応ゲートを組み込んでいる。 また、タイムスタンプのセマンティクスをグラフアテンション計算や時間認識デコーダに統合する。
  論文  参考訳（メタデータ） (2023-12-04T08:23:09Z)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-06T10:33:55Z)
• Extracting Temporal Event Relation with Syntactic-Guided Temporal Graph Transformer [17.850316385809617]
  1文または2文の連続文から構築した構文グラフから2つのイベント間の接続を明示的に見つけるための新しい時相グラフトランスフォーマーネットワークを提案する。 MATRES と TB-Dense データセットを用いた実験により,本手法は時間的関係抽出と時間的関係分類の両方において,従来の最先端手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-04-19T19:00:45Z)
• Temporal Common Sense Acquisition with Minimal Supervision [77.8308414884754]
  この研究は、時間的常識の明示的で暗黙的な言及を活用する新しいシーケンスモデリング手法を提案する。 本手法は,時間的共通感覚の様々な次元の質予測を行う。 また、時間比較、親子関係、イベントコア参照、時間的QAなど、関連するタスクに対するイベントの表現も生成する。
  論文  参考訳（メタデータ） (2020-05-08T22:20:16Z)

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。