論文の概要: IA-RAG: Interval-Algebra-Driven Temporal Reasoning for Dynamic Knowledge Retrieval

• arxiv url: http://arxiv.org/abs/2606.06044v1
• Date: Thu, 04 Jun 2026 11:39:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-06 06:55:34.659862
• Title: IA-RAG: Interval-Algebra-Driven Temporal Reasoning for Dynamic Knowledge Retrieval
• Title（参考訳）: IA-RAG:動的知識検索のためのインターバル代数駆動型時間推論
• Authors: Xiaoman Wang, Yaoze Zhang, Wenzhuo Fan, Hongwei Zhang, Ding Wang, Guohang Yan, Song Mao, Botian Shi, Yunshi Lan, Pinlong Cai,
• Abstract要約: 本稿では,時間間隔として知識をモデル化し,形式的時間的制約の下で検索を行う階層的時間的RAGフレームワークを提案する。 IA-RAGは、事実をIEU(Interval Event Units)として表現し、それらを階層的な Thematic Forest に編成する。 TimeQA、TempReason、ComplexTRを含む複数の時間的質問応答ベンチマークの実験は、IA-RAGが強い時間的検索と推論性能を達成することを示した。
• 参考スコア（独自算出の注目度）: 32.540554788693456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) has shown strong effectiveness in grounding Large Language Models (LLMs) with external knowledge. However, existing RAG and Graph RAG frameworks largely treat knowledge as static or associate time with coarse-grained timestamps or metadata, failing to capture rich temporal structures such as duration, overlap, and containment. We propose IA-RAG, a hierarchical temporal RAG framework that models knowledge as time intervals and performs retrieval under formal temporal constraints. IA-RAG represents facts as Interval Event Units (IEUs) and organizes them into a hierarchical Thematic Forest, where temporal dependencies are governed by Allen's Interval Algebra. To handle incomplete or uncertain temporal boundaries, IA-RAG further introduces a Sub-graph Time Tightening mechanism that refines fuzzy intervals through logical constraints within connected event subgraphs. In addition, IA-RAG supports implicit temporal semantic retrieval through interval-algebra-guided traversal. Experiments on multiple temporal question answering benchmarks, including TimeQA, TempReason, and ComplexTR, demonstrate that IA-RAG achieves strong temporal retrieval and reasoning performance, particularly on complex compositional temporal reasoning tasks. Our code is released at https://github.com/xiaoAugenstern/LogicalRAG_TemporalQA.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は大規模言語モデル(LLM)を外部知識で構築する上で大きな効果を示している。 しかしながら、既存のRAGおよびグラフRAGフレームワークは、知識を、粗い粒度のタイムスタンプやメタデータと静的または関連した時間として扱う。 本稿では,時間間隔として知識をモデル化し,形式的時間的制約の下で検索を行う階層型時間的RAGフレームワークIA-RAGを提案する。 IA-RAGは、事実をIEU(Interval Event Units)として表現し、それらを階層的な Thematic Forest に編成する。 不完全または不確実な時間境界を扱うために、IA-RAGはさらに、連結されたイベントサブグラフ内の論理的制約を通してファジィ区間を洗練するサブグラフ時間制限機構を導入する。 さらに、IA-RAGは、インターバルアルゲブラ誘導トラバースによる暗黙の時間的意味検索をサポートする。 TimeQA, TempReason, ComplexTR を含む複数の時間的質問応答ベンチマークの実験では、IA-RAG が強い時間的検索と推論性能、特に複雑な構成的時間的推論タスクを達成できることが示されている。 私たちのコードはhttps://github.com/xiaoAugenstern/LogicalRAG_TemporalQAで公開されています。

関連論文リスト

• Disco-RAG: Discourse-Aware Retrieval-Augmented Generation [81.53888908988756]
  生成プロセスに談話信号を注入する談話認識フレームワークであるディスコRAGを提案する。 提案手法は,チャンク内談話木を構築し,局所階層を捕捉し,クロスパスコヒーレンスをモデル化するためのチャンク間修辞グラフを構築する。 質問応答と長期文書要約ベンチマークの実験から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-01-07T20:32:50Z)
• RAG Meets Temporal Graphs: Time-Sensitive Modeling and Retrieval for Evolving Knowledge [12.898085044538433]
  知識は本質的に時間に敏感であり、時間とともに継続的に進化する。 現在のRetrieval-Augmented Generation (RAG) システムは、この時間的性質をほとんど無視している。 本稿では,2段階の時間グラフとして外部コーパスをモデル化したテンポラルグラフRAG(TG-RAG)を提案する。
  論文  参考訳（メタデータ） (2025-10-15T14:21:08Z)
• T-GRAG: A Dynamic GraphRAG Framework for Resolving Temporal Conflicts and Redundancy in Knowledge Retrieval [4.114480531154174]
  本稿では,時間とともに知識の進化をモデル化する動的時間認識RAGフレームワークであるT-GRAGを提案する。 T-GRAGは、(1)時間スタンプで進化するグラフ構造を生成するテンポラル知識グラフ生成装置、(2)複雑な時間的クエリを管理可能なサブクエリに分解するテンポラルクエリ分解機構、(3)時間的サブグラフ間の検索を段階的にフィルタリングし洗練する3層インタラクティブレトリバーからなる。 T-GRAGは検索精度と応答性の両方において,RAGおよびGraphRAGベースラインよりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-08-03T09:15:36Z)
• Reading Between the Timelines: RAG for Answering Diachronic Questions [8.969698902720799]
  我々は、時間論理を注入するためにRAGパイプラインを根本的に再設計する新しいフレームワークを提案する。 提案手法は回答精度を大幅に向上し,標準RAG実装を13%から27%上回る結果となった。 この研究はRAGシステムに対する検証された経路を提供し、複雑な現実世界の質問に必要とされるニュアンス付き進化分析を行うことができる。
  論文  参考訳（メタデータ） (2025-07-21T05:19:41Z)
• DyG-RAG: Dynamic Graph Retrieval-Augmented Generation with Event-Centric Reasoning [38.28580037356542]
  イベント中心の動的グラフ検索拡張生成フレームワークであるDyG-RAGを紹介する。 DyG-RAGは、非構造化テキストに埋め込まれた時間的知識を捕捉し、推論するために、動的イベントユニット(DEU)を提案する。 時間的に一貫した生成を保証するため、DyG-RAGはイベントタイムライン検索パイプラインを導入した。
  論文  参考訳（メタデータ） (2025-07-16T10:22:35Z)
• 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)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)

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。