論文の概要: Can Large Language Models Reason about Event-Time Stream-Processing Semantics?

• arxiv url: http://arxiv.org/abs/2608.12348v2
• Date: Fri, 14 Aug 2026 01:56:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.185499
• Title: Can Large Language Models Reason about Event-Time Stream-Processing Semantics?
• Title（参考訳）: 大規模言語モデルはイベント時ストリーム処理のセマンティックスについて理にかなっているか?
• Abstract要約: StreamReason-Benchは、イベント時ストリームプロセッサのために立脚するようモデルに要求する。 ウィンドウドクエリとアウトオブオーダイベントのストリームがあると、どのウィンドウが発火し、集約され、どのイベントが遅く降ろされるかが報告される。 タンブリング、ホッピング、セッション、および処理時間のウィンドウを含む600の生成されたアイテムでは、モデルがイベント時間に不調になる。
• 参考スコア（独自算出の注目度）: 9.64546134192217
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Streaming systems increasingly hand work to large language models (LLMs): writing pipelines, triaging alerts, reading logs. All of it assumes the model knows how event-time stream processing behaves, and we test that assumption directly. StreamReason-Bench asks a model to stand in for an event-time stream processor. Given a windowed query and a stream of out-of-order events, it reports which windows fire, with their aggregates, and which events are dropped as late. The answer key comes from a small reference implementation of Dataflow-model semantics, so we can grade exactly, and with a partial-credit row-F1, without running an engine. On 600 generated items covering tumbling, hopping, session, and processing-time windows, the models do poorly on event time. When told to answer directly, no model that actually follows the instruction clears 34% exact match; chain-of-thought (CoT) roughly doubles that for several of them (GPT-4o goes from 0.34 to 0.48), and only one frontier model that reasons by default comes near solving the set (0.85). A processing-time control, with no watermarks and nothing late, is almost solved by every capable model. The gap points to event-time and late-data handling, not windowing or arithmetic, as the hard part. Sorting errors by window type tells the same story: late-data mistakes dominate the event-time windows and vanish on the control, while session windows mostly fail on where the session boundaries fall.
• Abstract（参考訳）: ストリーミングシステムは、パイプラインの書き込み、警告のトリアージ、ログの読み込みなど、大規模言語モデル(LLM)に手渡すものが増えています。 すべては、モデルがイベント時ストリーム処理の振る舞いを知っていると仮定し、その仮定を直接テストします。 StreamReason-Benchは、イベント時ストリームプロセッサのために立脚するようモデルに要求する。 ウィンドウドクエリとアウトオブオーダイベントのストリームがあると、どのウィンドウが発火し、集約され、どのイベントが遅く降ろされるかが報告される。 答のキーは、Dataflow-modelセマンティクスの小さなリファレンス実装から来ています。 タンブリング、ホッピング、セッション、および処理時間のウィンドウを含む600の生成されたアイテムでは、モデルがイベント時間に不調になる。 直接答えるように言われると、実際に命令に従うモデルは34%の精度で一致せず、チェーン・オブ・シークレット(CoT)はいくつかのモデル(GPT-4oは0.34から0.48まで)とほぼ倍になり、デフォルトで解けるフロンティアモデルは1つしかない(0.85)。 ウォーターマークがなく、何も遅くない処理時の制御は、すべての有能なモデルによってほとんど解決される。 ギャップは、難しい部分として、ウィンドウニングや算術ではなく、イベントタイムと遅延データハンドリングを指しています。 遅延データエラーがイベント時のウィンドウを支配し、コントロールがなくなるのに対して、セッションウィンドウはセッション境界が落ちている場所ではほとんど失敗します。

関連論文リスト

• Evaluating Generative Time-Series Models on Data with Point Masses [2.5536942228520814]
  このようなデータを慎重に評価するとどうなるか報告する。 標準的なローリングオリジンプロトコルは、データセットに似ていない原子構造を持つウィンドウ上でモデルをスコアすることができる。 自己回帰的ハードルは、6つのデータセットのうち5つの条件付きフローを最大133ドルまで上回る。
  論文  参考訳（メタデータ） (2026-08-10T14:57:36Z)
• Covering Human Action Space for Computer Use: Data Synthesis and Benchmark [59.01879944842542]
  コンピュータ利用エージェント(CUA)は、GPT-5.4とClaudeによって説明されているように、画面上での作業を自動化する。 しかし、複雑な低周波相互作用に対する信頼性はまだ貧弱であり、ユーザの信頼を制限している。 複雑な相互作用におけるモデルの能力を評価するための新しいベンチマークCUActSpotを提案する。
  論文  参考訳（メタデータ） (2026-05-12T17:59:58Z)
• Can Structural Cues Save LLMs? Evaluating Language Models in Massive Document Streams [11.912266326213187]
  私たちは、2016年と2025年に主要なニュースから構築されたベンチマークであるStreamBenchを紹介します。 我々は、イベントごとに重要な事実を整理する構造的手がかりのないパフォーマンスと比較する。 構造的手がかりはクラスタリング(+4.37%)と時間的QA(+9.63%)のパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2026-02-25T06:20:36Z)
• Catch Your Breath: Adaptive Computation for Self-Paced Sequence Production [55.76222360698305]
  我々は,言語モデルが入力トークン毎に使用する計算ステップの数を動的かつ自律的に拡張できるような,教師付きトレーニング目標のクラスを探索する。 任意のトークンに対して、モデルは don't know> 出力を出力することで、追加の計算ステップを要求できる。 CYBモデルでは精度が向上し,トークンレベルの複雑性とコンテキストに処理時間を適用することができる。
  論文  参考訳（メタデータ） (2025-10-13T21:07:05Z)
• Inferring Events from Time Series using Language Models [13.414101942484582]
  時系列データは、時間とともに環境がどのように変化するかを測定し、金融や医療といった重要な領域における意思決定を促進する。 本研究では,Large Language Models (LLMs) が時系列データから自然言語で記述された事象を推測できるかどうかを初めて検討する。 現在のLLMはいくつかの有望な能力を示しており、OpenAIのo1は最高だが、DS-R1-distill-Qwen-32BはGPT-4oのようなプロプライエタリなモデルより優れている。
  論文  参考訳（メタデータ） (2025-03-18T12:07:33Z)
• Scaling up Test-Time Compute with Latent Reasoning: A Recurrent Depth Approach [70.44265766483633]
  本稿では,潜在空間における暗黙的推論によるテスト時間計算のスケールアップが可能な,新しい言語モデルアーキテクチャについて検討する。 我々のモデルは繰り返しブロックを繰り返すことで動作し、テスト時に任意の深さに展開する。 結果のモデルが推論ベンチマークの性能を劇的に改善できることが示される。
  論文  参考訳（メタデータ） (2025-02-07T18:55:02Z)
• EventFlow: Forecasting Temporal Point Processes with Flow Matching [12.976042923229466]
  機械学習では、ニューラルネットワークを使用して自己回帰的に時間点過程をモデル化することが一般的である。 本研究では,時間的ポイントプロセスのための非自己回帰生成モデルであるEventFlowを提案する。
  論文  参考訳（メタデータ） (2024-10-09T20:57:00Z)
• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)

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。