論文の概要: TEMPS: Temporal Sentence Embeddings for Temporal Information Retrieval
- arxiv url: http://arxiv.org/abs/2609.28048v1
- Date: Wed, 23 Sep 2026 13:05:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:18.023742
- Title: TEMPS: Temporal Sentence Embeddings for Temporal Information Retrieval
- Title（参考訳）: TEMPS:時間情報検索のための時間文埋め込み
- Abstract要約: 時間的テキスト類似性(TTS: Temporal Textual similarity)は,2つのアンカーテキストの時間的一致を計測するタスクである。
次に、凍結したセマンティックレトリバーにアタッチされ、その信号で訓練されるモジュール時間分岐であるTEMPSを提示する。
3つの時間的ベンチマークでは、TEMPSはテストされたすべてのセマンティックバックボーンに対してMRRを改善し、TS-RetrieverではR@1を19.92から25.39に引き上げる。
- 参考スコア（独自算出の注目度）: 0.48998185508205744
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern information retrieval (IR) systems rarely represent time, yet many information needs depend on it: in clinical, journalistic, and legal search, when an event occurred can decide whether a document is relevant. Dense retrievers and Retrieval-Augmented Generation (RAG) pipelines match queries to documents well on topic but poorly on time, so they surface content that is on-topic yet temporally wrong. We introduce Temporal Textual Similarity (TTS), a task that measures how well two anchored texts align in time, independent of their topical similarity. We then present TEMPS (Temporal Embedding Model for Precise Search), a modular temporal branch that attaches to a frozen semantic retriever and trains on that signal. It resolves anchored temporal expressions to intervals and moment-matches each one to a Gaussian; the resulting ordering supervises an anchor-date-conditioned encoder, whose score we fuse with the semantic score at inference. Grounding supplies the supervision, so training uses no hand-labeled temporal data. The temporal score itself is the Gaussian-KL inclusion measure from distributional embeddings; what TEMPS adds is the grounding and the moment-matched supervision. On three temporal benchmarks, TEMPS improves MRR for every semantic backbone tested and, on TS- Retriever, lifts R@1 from 19.92 to 25.39 over the prior temporal state of the art.
- Abstract（参考訳）: 現代の情報検索(IR)システムは時間を表すことはめったにないが、多くの情報はそれに依存している。
Dense retrieverとRetrieval-Augmented Generation (RAG)パイプラインは、クエリと、トピックに関するドキュメントとをうまくマッチさせるが、時間的に不適切なので、オントピー的だが時間的に間違っているコンテンツをサーフェスする。
時間的テキスト類似性(TTS: Temporal Textual similarity)は、2つの固定されたテキストが時間的にどれだけよく一致しているかを測定するタスクであり、そのトピックの類似性とは無関係である。
次に, TEMPS (Temporal Embedding Model for Precise Search) を提示する。
テンポラル表現を間隔に分解し、それぞれをガウスに整合させ、結果として順序付けはアンカーデート条件付きエンコーダを監督し、そのスコアは推論時に意味スコアと融合する。
グラウンドリングは監督を補助するので、トレーニングは手書きの時間データを使用しない。
時間スコア自体が分布埋め込みからのガウス-KL包含尺度であり、TEMPSが加えるのは接地とモーメントマッチングの監督である。
3つの時間的ベンチマークでは、TEMPSはテストされたすべてのセマンティックバックボーンに対してMRRを改善し、TS-Retrieverでは、以前の時間的状態よりも19.92から25.39にR@1を持ち上げる。
関連論文リスト
- Temporal Preference Optimization for Unsupervised Retrieval [11.583736130556611]
新たなトレーニング手法であるTRPO(Temporal Retrieval Preference Optimization)を用いたTPOUR(Temporal Preference Optimization for Unsupervised Retriever)を提案する。
TPOURは学習時間埋め込みを通じて目に見えない時間に一般化し、連続的な時間的アライメントを可能にする。
Qwen-Embedding-8Bと比較すると、約72.7倍小さいにもかかわらず、TPOUR Contrieverは暗黙的なクエリで平均nDCG@5を+4.04 (+12.15%)、暗黙的なクエリで+4.98 (+15.21%)改善している。
論文 参考訳（メタデータ） (2026-06-16T08:27:22Z) - TS-Haystack: A Multi-Scale Retrieval Benchmark for Time Series Language Models [4.387988928531881]
時系列言語モデル(TSLM)は、自然言語における連続的な信号の推論のための統一モデルとして登場している。
既存のモデルは通常、短いシーケンスでトレーニングされ、評価されるが、現実の時系列センサーストリームは数百万のデータポイントにまたがる。
TS-Haystackは4つのカテゴリにまたがる10のタスクタイプからなる長期コンテキストの時間的評価ベンチマークである。
論文 参考訳（メタデータ） (2026-02-15T15:50:02Z) - Quantifying Memory Use in Reinforcement Learning with Temporal Range [51.98491034847041]
時間的範囲(Temporal Range)は、時間的影響プロファイルとして、時間的ウィンドウから入力シーケンスへの複数のベクトル出力の1次感度を扱うモデルに依存しない計量である。
また、タスクレベルメモリのプロキシ読み出しとして、タスク上で訓練されたコンパクトなLong Expressive Memory(LEM)ポリシーについて、テンポラルレンジを報告する。
論文 参考訳（メタデータ） (2025-12-05T22:58:09Z) - Not in Sync: Unveiling Temporal Bias in Audio Chat Models [59.146710538620816]
大規模音声言語モデル(LALM)は、音声理解やマルチモーダル推論にますます応用されている。
LALMにおける時間バイアスに関する最初の体系的研究を行い,その時間スタンプ予測における重要な限界を明らかにした。
論文 参考訳（メタデータ） (2025-10-14T06:29:40Z) - 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) - 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) - TempRetriever: Fusion-based Temporal Dense Passage Retrieval for Time-Sensitive Questions [18.87473448633352]
本研究では,検索プロセスにクエリ日時と文書タイムスタンプの両方を埋め込むことで,時間情報を明示的に組み込むTempRetrieverを提案する。
TempRetrieverは、Top-1検索精度が6.63%向上し、NDCG@10が3.79%向上した。
また,トレーニング中の時間的ずれに対処し,検索性能をさらに向上する,時間に基づく新規なネガティブサンプリング戦略を提案する。
論文 参考訳（メタデータ） (2025-02-28T13:06:25Z) - Analyzing Temporal Complex Events with Large Language Models? A Benchmark towards Temporal, Long Context Understanding [57.62275091656578]
時間的複合イベント(TCE)として、長い期間にわたって多くのニュース記事から構成される複合イベントについて述べる。
本稿では,Large Language Models (LLMs) を用いて,TCE内のイベントチェーンを系統的に抽出し,解析する手法を提案する。
論文 参考訳（メタデータ） (2024-06-04T16:42:17Z) - Once Upon a $\textit{Time}$ in $\textit{Graph}$: Relative-Time
Pretraining for Complex Temporal Reasoning [96.03608822291136]
我々は時間の性質を生かし、時間軸に沿った事象の相対的な配置に基づくグラフ構造の構築を提案する。
グラフビューにインスパイアされたRemeMoを提案する。これは2つの文間の時間関係をモデル化することによって、時間的に観察されたすべての事実を明示的に接続する。
実験の結果、RemeMoは複数の時間的質問応答データセット上でベースラインT5よりも優れていた。
論文 参考訳（メタデータ） (2023-10-23T08:49:00Z) - 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)
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。