論文の概要: AdapTime: Enabling Adaptive Temporal Reasoning in Large Language Models

• arxiv url: http://arxiv.org/abs/2604.24175v1
• Date: Mon, 27 Apr 2026 08:34:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.856922
• Title: AdapTime: Enabling Adaptive Temporal Reasoning in Large Language Models
• Title（参考訳）: AdapTime: 大規模言語モデルにおける適応的テンポラル推論の実現
• Authors: Yimin Deng, Yejing Wang, Zhenxi Lin, Zichuan Fu, Guoshuai Zhao, Derong Xu, Yefeng Zheng, Xiangyu Zhao, Xian Wu, Li Zhu, Xueming Qian,
• Abstract要約: AdapTimeは適応的な時間的推論手法であり、入力コンテキストに基づいて推論ステップを動的に実行する。 最先端のLCMとシームレスに統合され、外部サポートに頼ることなく、時間的推論能力を大幅に向上する。
• 参考スコア（独自算出の注目度）: 65.97075015662318
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models have demonstrated strong reasoning capabilities in general knowledge question answering. However, their ability to handle temporal information remains limited. To address this limitation, existing approaches often involve external tools or manual verification and are tailored to specific scenarios, leading to poor generalizability. Moreover, these methods apply a fixed pipeline to all questions, overlooking the fact that different types of temporal questions require distinct reasoning strategies, which leads to unnecessary processing for simple cases and inadequate reasoning for complex ones. To this end, we propose AdapTime, an adaptive temporal reasoning method that dynamically executes reasoning steps based on the input context. Specifically, it involves three temporal reasoning actions: reformulate, rewrite and review, with an LLM planner guiding the reasoning process. AdapTime integrates seamlessly with state-of-the-art LLMs and significantly enhances their temporal reasoning capabilities without relying on external support. Extensive experiments demonstrate the effectiveness of our approach.
• Abstract（参考訳）: 大規模言語モデルは、一般知識質問応答において強い推論能力を示している。 しかし、時間的情報を扱う能力は依然として限られている。 この制限に対処するため、既存のアプローチは、しばしば外部ツールや手動による検証を伴い、特定のシナリオに合わせて調整される。 さらに、これらの手法は全ての質問に対して固定的なパイプラインを適用し、異なるタイプの時間的質問が異なる推論戦略を必要とするという事実を見極め、単純な場合の不要な処理と複雑な場合の不十分な推論に繋がる。 そこで本稿では,入力コンテキストに基づいて動的に推論ステップを実行する適応時間推論手法であるAdapTimeを提案する。 具体的には、3つの時間的推論アクション、すなわち、リフォーム、リライト、レビューの3つと、LCMプランナーが推論プロセスを導く。 AdapTimeは最先端のLCMとシームレスに統合され、外部サポートに頼ることなく、時間的推論能力を大幅に向上する。 大規模な実験は、我々のアプローチの有効性を実証する。

関連論文リスト

• Implicit Reasoning in Large Language Models: A Comprehensive Survey [67.53966514728383]
  大規模言語モデル(LLM)は、幅広いタスクにまたがる強力な一般化を実証している。 最近の研究は、暗黙の推論に拍車をかけた、明示的な思考の連鎖から注意を向けている。 本調査では,表現形式から計算戦略へ焦点を移し,実行パラダイムを中心とした分類を紹介した。
  論文  参考訳（メタデータ） (2025-09-02T14:16:02Z)
• Fast, Slow, and Tool-augmented Thinking for LLMs: A Review [57.16858582049339]
  大規模言語モデル (LLM) は、様々な領域における推論において顕著な進歩を示している。 実世界のタスクにおける効果的な推論は、問題の要求に推論戦略を適用する必要がある。 2つの知識境界に沿ったLSM推論戦略の新しい分類法を提案する。
  論文  参考訳（メタデータ） (2025-08-17T07:20:32Z)
• Learning to Reason Over Time: Timeline Self-Reflection for Improved Temporal Reasoning in Language Models [21.579319926212296]
  大規模言語モデル(LLM)は、一貫性のあるテキストを生成し、コンテキストを理解し、推論タスクを実行するための強力なツールとして登場した。 彼らは時間的推論に苦しむが、それはイベントシーケンシングや時間的関係、時間的関係などの時間的関連情報を処理する必要がある。 我々は,タイムライン構築と反復的自己回帰を組み合わせた多段階プロセスを通じて,LLMの時間的推論能力を高める新しいフレームワークであるTISERを紹介する。
  論文  参考訳（メタデータ） (2025-04-07T16:51:45Z)
• 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)
• Back to the Future: Towards Explainable Temporal Reasoning with Large Language Models [33.8108950744839]
  そこで本稿では,コンテキストに基づいたイベント発生の予測を行うために,時間的推論を記述可能な最初のタスクを紹介する。 本研究では,時間的予測と説明の最先端性能を実現する方法を示す。
  論文  参考訳（メタデータ） (2023-10-02T10:35:23Z)
• 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)

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。