論文の概要: ChronoQG: Towards a Temporally Expressive and Hop-Bounded Benchmark for Temporal Knowledge Graph Question Generation

• arxiv url: http://arxiv.org/abs/2607.14770v1
• Date: Thu, 16 Jul 2026 09:53:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.057898
• Title: ChronoQG: Towards a Temporally Expressive and Hop-Bounded Benchmark for Temporal Knowledge Graph Question Generation
• Title（参考訳）: ChronoQG: 時間的知識グラフ質問生成のための時間的表現とホップ境界ベンチマークを目指して
• Abstract要約: 知識グラフ質問生成(KGQG)は、構造化グラフ証拠から自然言語質問を生成することを目的としている。 既存のKGQGベンチマークは主に静的知識グラフ上に構築されており、グラフ事実の時間的スコープを符号化していない。 提案するChronoQGは,TKGQGのための時間表現型およびホップバウンド型ベンチマーク構築フレームワークである。
• 参考スコア（独自算出の注目度）: 9.596365499364323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph question generation (KGQG) aims to generate natural-language questions from structured graph evidence. Existing KGQG benchmarks, however, are mostly built on static knowledge graphs and do not encode the temporal scopes of graph facts. As a result, they cannot evaluate whether generated questions faithfully preserve temporal validity, event ordering, and answer-determining temporal constraints. In this paper, we study temporal knowledge graph question generation (TKGQG), where a generated question must be faithful to both the support subgraph and the temporal constraints required to identify the target answer. We propose ChronoQG, the first temporally expressive and hop-bounded benchmark construction framework for TKGQG. ChronoQG integrates a comprehensive temporal-constraint taxonomy, topology-temporal subgraph sampling, and trace-grounded question generation to construct temporally faithful questions. The framework produces four benchmark datasets from heterogeneous temporal knowledge graphs, totaling 16,011 verified questions. We evaluate representative LLM-based KGQG methods and prompting baselines across diverse TKGQG settings, including temporal-constraint counts, topological templates, and temporal-constraint types. The results show that existing methods struggle to preserve temporal constraints, especially under multi-constraint settings and harder temporal-constraint types. These findings reveal a clear gap between static KGQG and TKGQG, and establish ChronoQG as a challenging testbed for temporally faithful question generation.
• Abstract（参考訳）: 知識グラフ質問生成(KGQG)は、構造化グラフ証拠から自然言語質問を生成することを目的としている。 しかし、既存のKGQGベンチマークは主に静的知識グラフ上に構築されており、グラフ事実の時間的スコープを符号化していない。 その結果, 生成した質問が時間的妥当性, イベント順序, 応答決定的時間的制約を忠実に保存しているかどうかを評価できない。 本稿では,時間的知識グラフ質問生成(TKGQG)について検討する。そこでは,生成した質問がサポートサブグラフと,対象回答を特定するために必要な時間的制約の両方に忠実でなければならない。 提案するChronoQGは,TKGQGのための時間表現型およびホップバウンド型ベンチマーク構築フレームワークである。 クロノQGは、時間的制約のある包括的な分類、トポロジカル・テンポロジカル・サブグラフのサンプリング、およびトポロジカル・グラウンドの質問生成を統合して、時間的忠実な質問を構築する。 このフレームワークは、不均一な時間的知識グラフから4つのベンチマークデータセットを生成し、合計16,011の質問を出力する。 代表的LLMに基づくKGQG手法を評価し,時間制約数,トポロジカルテンプレート,時間制約型など,多種多様なTKGQG設定にまたがるベースラインを推し進める。 その結果,既存の手法は時間的制約の維持に苦慮し,特に時間的制約の設定や時間的制約の厳格化に苦慮していることがわかった。 これらの結果から,静的なKGQGとTKGQGの間に明確なギャップが見られ,ChronoQGを時間的に忠実な質問生成のための挑戦的なテストベッドとして確立した。

関連論文リスト

• Evaluating List Construction and Temporal Understanding capabilities of Large Language Models [54.39278049092508]
  大規模言語モデル(LLM)は、特に時間的理解タスクにおける幻覚や誤りの影響を受けやすい。 本稿では,時系列に適合するリスト形式で構造化された回答を必要とするTLQA(Time Referenceed List based Question Answering)ベンチマークを提案する。 閉書およびオープンドメイン設定におけるTLQA上の最先端生成モデルの時間的理解とリスト構築能力について検討する。
  論文  参考訳（メタデータ） (2025-06-26T21:40:58Z)
• 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)
• TimeLogic: A Temporal Logic Benchmark for Video QA [64.32208175236323]
  時間的論理的質問を自動的に生成するTimeLogic QA(TLQA)フレームワークを導入する。 私たちはSTAR、Breakfast、AGQA、CrossTaskの4つのデータセットを活用し、カテゴリ毎に2kと10kのQAペアを生成します。 時間的複雑性の異なる16カテゴリの時間論理に対して,ビデオQAモデルの時間的推論性能を評価する。
  論文  参考訳（メタデータ） (2025-01-13T11:12:59Z)
• TimelineKGQA: A Comprehensive Question-Answer Pair Generator for Temporal Knowledge Graphs [11.496509633886161]
  本稿では,タイムライン・コンテキスト関係に基づく新しい分類フレームワークを提案する。 textbfTimelineKGQAは任意のTKGに適用できる普遍的な時間的QAジェネレータである。
  論文  参考訳（メタデータ） (2025-01-08T08:30:44Z)
• Self-Improvement Programming for Temporal Knowledge Graph Question Answering [31.33908040172437]
  時間的知識グラフ質問回答(TKGQA)は、時間的知識グラフ(TKG)に対する時間的意図で質問に答えることを目的としている。 既存のエンドツーエンドの手法は、質問や候補者の回答の埋め込みを学習することで、時間制約を暗黙的にモデル化する。 TKGQA(Prog-TQA)のための新しい自己改善プログラミング手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T08:14:27Z)
• Davidsonian Scene Graph: Improving Reliability in Fine-grained Evaluation for Text-to-Image Generation [64.64849950642619]
  テキスト・ツー・イメージ・モデルを評価するための形式的意味論にインスパイアされた評価フレームワークを開発する。 Davidsonian Scene Graph (DSG) が依存性グラフにまとめられた原子的およびユニークな質問を生成することを示す。 また,1060個のプロンプトを含むオープンソースの評価ベンチマークDSG-1kを提案する。
  論文  参考訳（メタデータ） (2023-10-27T16:20:10Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• HiSMatch: Historical Structure Matching based Temporal Knowledge Graph Reasoning [59.38797474903334]
  本稿では,textbfHistorical textbfStructure textbfMatching (textbfHiSMatch)モデルを提案する。 クエリと候補エンティティの履歴構造に含まれる意味情報をキャプチャするために、2つの構造エンコーダを適用する。 6つのベンチマークデータセットの実験では、提案されたHiSMatchモデルが、最先端のベースラインと比較して最大5.6%のパフォーマンス改善を達成している。
  論文  参考訳（メタデータ） (2022-10-18T09:39:26Z)
• 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)
• TempoQR: Temporal Question Reasoning over Knowledge Graphs [11.054877399064804]
  本稿では,知識グラフに関する複雑な疑問に答える包括的埋め込み型フレームワークを提案する。 提案手法は時間的問題推論(TempoQR)と呼ばれ、TKGの埋め込みを利用して、対象とする特定のエンティティや時間範囲に疑問を定めている。 実験の結果,TempoQRの精度は25～45ポイント向上した。
  論文  参考訳（メタデータ） (2021-12-10T23:59:14Z)

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。