論文の概要: STAIR: Semantic-Temporal Automaton for Interpretable Reasoning in Temporal Question Answering

• arxiv url: http://arxiv.org/abs/2608.16224v1
• Date: Mon, 17 Aug 2026 07:59:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.58445
• Title: STAIR: Semantic-Temporal Automaton for Interpretable Reasoning in Temporal Question Answering
• Title（参考訳）: STAIR: 時間質問回答における解釈推論のためのセマンティック・テンポラルオートマトン
• Abstract要約: 我々はtextbfSemantic-textbfTemporal textbfAutomaton for textbfInterpretable textbfReasoningを提案する。 LLMアダプタは、複雑な質問の定式化を正規化された時間的意図にマッピングし、決定論的時間的オートマトンは正準化された証拠に対して対応するポリシーを実行する。 STAIRは、TimeQA-Easy、TimeQA-Hard、TempReason-L2、TempReason-L3データセットにおいて、強いベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 7.774935839413563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: By leveraging large-scale pretraining, LLMs can interpret diverse temporal expressions and question formulations without task-specific training. However, existing prompt-based neuro-symbolic systems continue to rely on LLMs for both semantic interpretation and exact temporal inference. Consequently, discrete decisions regarding intervals, time anchors, and ordered states remain vulnerable to probabilistic errors and difficult to verify. We present STAIR, a \textbf{S}emantic-\textbf{T}emporal \textbf{A}utomaton for \textbf{I}nterpretable \textbf{R}easoning. STAIR separates semantic interpretation from precise temporal inference: an answer-free LLM adapter maps complex question formulations to normalized temporal intents, while a deterministic temporal automaton with finite control and guarded transitions executes the corresponding policies over canonicalized evidence. Following a rule-first design, STAIR resolves standard questions without invoking an LLM and applies semantic adaptation only when the rule path fails to produce an executable intent. This approach reduces free-form reasoning, making temporal decisions verifiable and interpretable. Specifically, guarded execution supports precise point-time containment and before/after selection, while semantic adaptation handles non-exact intervals and time-anchored queries. Across the TimeQA-Easy, TimeQA-Hard, TempReason-L2, and TempReason-L3 datasets, STAIR consistently outperforms strong baselines in the TQA task using matched model settings, achieving average F1 improvements of 16.57\% and 3.10\% when utilizing the Qwen2.5-7B and GPT-4o-mini models, respectively. Furthermore, ablations and diagnostic analyses demonstrate that STAIR excels at handling both boundary-sensitive and order-sensitive queries, while its guarded execution and semantic adaptation ensure precise point-time reasoning and inexact intervals, respectively.
• Abstract（参考訳）: 大規模事前学習を活用することで、LLMはタスク固有のトレーニングを使わずに、多様な時間的表現や質問の定式化を解釈できる。 しかし、既存のプロンプトベースのニューロシンボリックシステムは、意味論的解釈と正確な時間的推論の両方にLLMに依存し続けている。 その結果、間隔、時間アンカー、命令された状態に関する決定は、確率的エラーに対して脆弱であり、検証が難しいままである。 STAIR, a \textbf{S}emantic-\textbf{T}emporal \textbf{A}utomaton for \textbf{I}nterpretable \textbf{R}easoning。 STAIRは、意味論的解釈を正確な時間的推論と区別する: 応答のないLLMアダプタは、複雑な質問の定式化を正規化された時間的意図にマッピングする一方、有限制御とガードされた遷移を持つ決定論的時間的オートマトンは、正準化された証拠に対する対応するポリシーを実行する。 ルールファーストの設計の後、STAIRはLSMを呼び出すことなく標準的な質問を解決し、ルールパスが実行可能なインテントを生成しなかった場合にのみセマンティック適応を適用する。 このアプローチは自由形式の推論を減らし、時間的決定の検証と解釈を可能にする。 具体的には、ガードされた実行は正確なポイントタイムの封じ込めと選択の前後をサポートし、セマンティックアダプティブは非正確なインターバルとタイムアンカレッドクエリを処理する。 TimeQA-Easy、TimeQA-Hard、TempReason-L2、TempReason-L3データセット全体で、STAIRはマッチしたモデル設定を使用してTQAタスクの強いベースラインを一貫して上回り、Qwen2.5-7BとGPT-4o-miniモデルを利用する場合の平均F1改善は16.57\%と3.10\%である。 さらに、Ablationsと診断分析により、STAIRは境界に敏感なクエリと順序に敏感なクエリの両方を扱うのに優れており、そのガードされた実行とセマンティック適応は、それぞれ正確なポイントタイム推論と不正確な間隔を保証する。

関連論文リスト

• On Synthesis of Metric Interval Temporal Logics [0.5505634045241289]
  本稿では,表現型時間論理の適応型学習に最初に取り組む枠組みを提案する。 我々のアプローチは、タイムドラーニングの問題を、拡張性のある未使用のものに正式に還元します。 いくつかのベンチマークで実装を評価し,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2026-09-01T10:30:46Z)
• Beyond Tokenization: Direct Timestep Embedding and Contrastive Alignment for Time-Series Question Answering [13.074536659496362]
  大規模言語モデル(LLM)の最近の進歩により、時系列質問応答(TSQA)が生まれている。 TSQAは時系列解析を自然言語による質問応答として定式化する。 この課題に対処するために、直接時間ステップ埋め込みとセマンティックアライメントという2つの重要なコンポーネント上に構築されたTSQAのための新しいフレームワークであるCADEを提案する。
  論文  参考訳（メタデータ） (2026-06-17T12:07:23Z)
• InA-Probe: Instruction-Aware Active Probing for Time Series Forecasting with LLMs [45.91332553359387]
  大規模言語モデル(LLM)は、最近、時系列予測の驚くべき可能性を実証した。 Instruction-aware Active Probing (InA-Probe)を提案する。 実験では、InA-Probeは最先端のディープラーニングとLLMベースのベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-06-07T12:27:13Z)
• EASE-TTT: Evidence-Aligned Selective Test-Time Training for Long-Context Question Answering [61.89411578705886]
  長文質問応答のためのEvidence-Aligned Selective Test-Time Training (EASE-TTT)を提案する。 EASE-TTTは、選択されたエビデンスチャンクをトークン位置に対するソフトアテンション監視ターゲットに変換する。 完全コンテキスト推論、検索専用ベースライン、qTTTの中では最強のマクロ平均性能を実現している。
  論文  参考訳（メタデータ） (2026-06-05T04:49:37Z)
• From Prompts to Pavement Through Time: Temporal Grounding in Agentic Scene-to-Plan Reasoning [1.2777067998526854]
  本研究は, エージェント間コミュニケーションにおける時間的条件付けが, 意味的・論理的一貫性の低下を伴わずにコヒーレンスを維持・強化できるかどうかを考察する。 その結果,時間的条件付けは推論スタイルに反するが,標準NLPに基づく正当性測定では統計的に有意な改善は得られなかった。 これらの結果から,プロンプトベースの時間的接地限界を明らかにし,時間的シーンから計画的推論のための最初の経験的基準を確立した。
  論文  参考訳（メタデータ） (2026-05-19T13:18:35Z)
• AdapTime: Enabling Adaptive Temporal Reasoning in Large Language Models [65.97075015662318]
  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。
  論文  参考訳（メタデータ） (2026-04-27T08:34:40Z)
• Teaching LLMs to Ask: Self-Querying Category-Theoretic Planning for Under-Specified Reasoning [1.8055130471307603]
  大きな言語モデルによる推論時間プランニングは、部分的な可観測性の下で頻繁に失敗する。 textbfSelf-Querying Bidirectional Categorical Planning (SQ-BCP)を導入する。 検証が成功し、厳しい制約が決定論的チェックをパスした場合、承認された計画が目標要件と互換性があることを証明する。
  論文  参考訳（メタデータ） (2026-01-27T19:41:10Z)
• Chain-of-thought Reviewing and Correction for Time Series Question Answering [22.889720488678076]
  本稿では,時系列質問応答の明示的な補正機構を備えた多段階推論を行うT3LLMを提案する。 このフレームワーク内では、作業者は構造化されたプロンプトの下で段階的思考連鎖(CoT)を生成し、レビュアーは推論を検査し、誤ったステップを特定し、修正的なコメントを提供する。 複数の実世界のTSQAベンチマークの実験により、T3LLMは強力なLLMベースのベースラインに対して最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2025-12-27T15:54:18Z)
• Intra-request branch orchestration for efficient LLM reasoning [52.68946975865865]
  大規模言語モデル(LLM)は、複雑なタスクの正確性を改善するために、推論時推論アルゴリズムにますます依存している。 それまでの作業は、トークンの使用を減らすことを中心に、多くの場合、正確さを犠牲にしつつ、他のレイテンシ要因を見越すことに重点を置いていた。 本稿では,LLMサービスシステムであるDUCHESSについて,予測によって導かれるリクエスト内ブランチオーケストレーションにより,精度を犠牲にすることなく,コストとレイテンシを低減できるシステムを提案する。
  論文  参考訳（メタデータ） (2025-09-29T15:52:08Z)
• Temporal Information Retrieval via Time-Specifier Model Merging [9.690250070561461]
  Time-Specifier Model Merging (TSM) は、非時間的クエリの精度を維持しながら時間的検索を強化する新しい手法である。 時間的および非時間的データセットの大規模な実験により、TSMは時間的制約のあるクエリのパフォーマンスを著しく改善することが示された。
  論文  参考訳（メタデータ） (2025-07-09T12:16:11Z)
• LLM-Symbolic Integration for Robust Temporal Tabular Reasoning [69.27153114778748]
  本研究では,システムおよび制御された評価のための合成データセットであるTempTabQA-Cを紹介する。 この構造化アプローチにより、LLM(Large Language Models)はsqlクエリの生成と実行を可能にし、一般化とバイアス軽減の強化を行う。
  論文  参考訳（メタデータ） (2025-06-06T05:14:04Z)
• Temporally Grounding Instructional Diagrams in Unconstrained Videos [51.85805768507356]
  本稿では,ビデオ中の命令図中のクエリ列を同時にローカライズするという課題について検討する。 既存のほとんどのメソッドは、クエリの固有の構造を無視しながら、一度に1つのクエリをグラウンドすることに焦点を当てている。 ステップダイアグラムの視覚的特徴を包括的にペアリングして構築した複合クエリを提案する。 ステップ図のグラウンド化のためのIAWデータセットと自然言語クエリのグラウンド化のためのYouCook2ベンチマークに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2024-07-16T05:44:30Z)
• UnSeenTimeQA: Time-Sensitive Question-Answering Beyond LLMs' Memorization [34.257914212541394]
  本稿では,新しいデータ汚染のない質問応答ベンチマークUnSeenTimeQAを紹介する。 既存のTSQAベンチマークとは異なるのは、現実世界に根ざしたWeb検索可能なクエリを避けることだ。 大きな言語モデル(LLM)は、訓練前の段階で得られた事実知識に依存することなく、真の時間的推論を行う必要がある。
  論文  参考訳（メタデータ） (2024-07-03T22:02:07Z)
• 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。