論文の概要: Q-TIE: A Lightweight and Generalizable Re-ranking Framework for Temporal Information Retrieval
- arxiv url: http://arxiv.org/abs/2609.23880v1
- Date: Sun, 20 Sep 2026 21:30:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.012098
- Title: Q-TIE: A Lightweight and Generalizable Re-ranking Framework for Temporal Information Retrieval
- Title（参考訳）: Q-TIE: 時間情報検索のための軽量で汎用的な再分類可能なフレームワーク
- Abstract要約: TIRは、クエリに意味的かつ時間的に関連のあるドキュメントを検索することを目的としている。
2つのTIRパラダイム – 時間レトリバーと時間リランカ – が登場した。
学習時間入出力抽出(TIE)に基づくフレームワークQ-TIEを提案する。
- 参考スコア（独自算出の注目度）: 20.436295522080602
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Temporal Information Retrieval (TIR) has been increasingly critical given the rise of Retrieval-Augmented Generation (RAG). Since temporally mismatched evidence can be highly misleading, TIR aims to retrieve documents that are both semantically and temporally relevant to a query. Two TIR paradigms have emerged - temporal retrievers and temporal re-rankers - differing in how temporal relevance is modeled. While these paradigms provide complementary strengths, our analysis reveals that each alone falls short of robust TIR: temporal retrievers provide flexible query understanding via learned representations, but often fail to explicitly account for temporal constraints; temporal re-rankers can enforce such constraints more explicitly, but often rely on predefined re-ranking rules. To address this, we propose Q-TIE, a re-ranking framework based on learned Temporal Intent Extraction (TIE). By introducing a TIE model that maps each query's temporal constraint into a unified interval representation (i.e., $\langle t_{start}, t_{end} \rangle$), Q-TIE generalizes beyond predefined rules via model-based learning while explicitly modeling temporal constraints as a separate signal - jointly achieving what each paradigm typically trades off. Experiments demonstrate that Q-TIE consistently outperforms existing TIR methods with stronger generalizability across temporal query types, and provides a lightweight yet effective add-on for temporally-aware RAG pipelines. Code: https://github.com/ssoy0701/Q-TIE.
- Abstract（参考訳）: 検索情報検索(TIR)は、検索情報生成(RAG)の台頭により、ますます批判的になっている。
時間的にミスマッチした証拠は、非常に誤解を招く可能性があるため、TIRは、クエリに意味的かつ時間的に関連のある文書を検索することを目的としている。
2つのTIRパラダイム – 時間的レトリバーと時間的リランカ – が出現し、時間的妥当性のモデル化方法が異なる。
時間的レトリバーは学習した表現を通して柔軟なクエリ理解を提供するが、しばしば時間的制約を明示的に考慮することができない。
そこで本研究では,学習時間テント抽出(TIE)に基づくフレームワークであるQ-TIEを提案する。
各クエリの時間的制約を統一間隔表現(例えば$\langle t_{start}, t_{end} \rangle$)にマッピングするTIEモデルを導入することで、Q-TIEはモデルベースの学習を通じて事前定義された規則を超えて一般化し、時間的制約を独立した信号として明示的にモデル化する。
実験により、Q-TIEは時間的クエリタイプ間でより強力な一般化性を持つ既存のTIRメソッドを一貫して上回り、時間的に認識されたRAGパイプラインのための軽量で効果的なアドオンを提供することが示された。
コード:https://github.com/ssoy0701/Q-TIE。
関連論文リスト
- SABET-QA: Temporal Knowledge Graph Question Answering [0.0]
複数のホップにまたがる推論状態を反復的に洗練するフレームワークであるSABET-QAを提案する。
CronQuestions、complex-CronQuestions、MultiTQ、TimeQuestionsの実験は、強いベースラインよりも一貫した改善を示している。
論文 参考訳（メタデータ） (2026-08-20T14:16:35Z) - ALER-TI: Aligned Latent Embedding Retrieval for Time Series Imputation [2.185694185279913]
ALER-TIは、履歴パターンを明示的に活用して、劣化したローカルコンテキストを補完し、より信頼性の高い欠落値再構成を行う検索拡張フレームワークである。
ALER-TIは、強いベースラインモデルを一貫して改善し、様々な計算条件で堅牢性を高める。
論文 参考訳（メタデータ） (2026-07-08T16:59:38Z) - IA-RAG: Interval-Algebra-Driven Temporal Reasoning for Dynamic Knowledge Retrieval [32.540554788693456]
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。
論文 参考訳（メタデータ） (2026-06-04T11:39:50Z) - TimelineReasoner: Advancing Timeline Summarization with Large Reasoning Models [54.737142557469916]
我々は、タイムラインの要約を静的生成からアクティブな推論駆動プロセスに移行するフレームワークであるTimelineReasonerを提案する。
タイムラインの精度,カバレッジ,コヒーレンスの観点から,TimelineReasoner は既存の LLM ベースのTLS 手法よりも優れていることを示す。
この作業はTLSの境界を推し進めるだけでなく、タイムラインの要約のためのLRMベースの推論フレームワークの幅広い可能性を強調している。
論文 参考訳（メタデータ） (2026-04-03T12:30:15Z) - Sim-DETR: Unlock DETR for Temporal Sentence Grounding [104.78823923373784]
時間文グラウンドディングは、与えられたテキストクエリに対応するビデオ内の正確なモーメントを特定することを目的としている。
DETRを強化するために設計された典型的な戦略は改善せず、その課題における性能を低下させる可能性さえある。
2つの小さな修正を加えて標準DETRを拡張するSim-DETRを提案する。
論文 参考訳（メタデータ） (2025-09-28T13:21:10Z) - Re3: Learning to Balance Relevance & Recency for Temporal Information Retrieval [10.939002113975706]
時間情報検索は、現代の検索システムにとって重要な課題であるが未解決の課題である。
Re3は、クエリ対応ゲーティングメカニズムを通じて意味情報と時間情報のバランスをとるフレームワークである。
Re2Benchでは、Re3は最先端の結果を達成し、3つのサブセットすべてにR@1をもたらす。
論文 参考訳（メタデータ） (2025-09-01T09:44:01Z) - 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) - 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) - 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) - Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。
TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。
共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
論文 参考訳（メタデータ） (2022-12-20T17:40:03Z) - Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [55.596897987498174]
本稿では,重み付き時間遅延フィードバック機構を備えたゲートリカレントユニット(GRU)を導入し,時系列データの長期依存性をモデル化する手法を提案する。
提案したモデルである $tau$-GRU は、繰り返し単位の連続時間定式化の離散版であり、力学は遅延微分方程式(DDE)によって制御される。
論文 参考訳（メタデータ） (2022-12-01T02:26:34Z)
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。