論文の概要: Zero-Shot Time-Series Question Answering via Decoupled Perception and Reasoning

• arxiv url: http://arxiv.org/abs/2610.04942v1
• Date: Sun, 04 Oct 2026 04:38:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 07:40:44.41905
• Title: Zero-Shot Time-Series Question Answering via Decoupled Perception and Reasoning
• Title（参考訳）: 分離された知覚と推論によるゼロショット時系列質問応答
• Abstract要約: 時系列質問応答(TSQA)は、複雑な数値的な観察において、基礎となる言語クエリと多様な回答形式を必要とする。 本稿では,クロスデータセットゼロショットTSQAのための分離ワークフローを確立するエージェントフレームワークTSHarnessを提案する。 その中心となるTSHarnessは、構造化された時系列知覚状態を通じて数値知覚と文脈推論を分割し、征服する。
• 参考スコア（独自算出の注目度）: 17.54904927536037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series question answering (TSQA) requires grounding linguistic queries and diverse answer formats in complex numerical observations. However, existing methods heavily overfit to specific datasets and struggle to generalize when input series, question contexts, and answer requirements shift simultaneously. To address this challenge, we propose TSHarness, an agentic framework that establishes a decoupled workflow for cross-dataset zero-shot TSQA. At its core, TSHarness divides and conquers numerical perception and contextual reasoning via a structured Time-Series Perception State (TPS). Guided by a reusable memory of analytical knowledge, a learned Tool Selector adaptively invokes numerical tools to extract salient statistical and temporal features into the TPS. The answering agent then performs semantic reasoning over the TPS to generate target outputs, triggering iterative re-perception through the feedback loop when evidence is deemed insufficient. By separating numerical feature extraction from question-specific reasoning, TSHarness eliminates the need for target-side training or answer feedback, providing a generalizable, cost-efficient foundation for zero-shot TSQA.
• Abstract（参考訳）: 時系列質問応答(TSQA)は、複雑な数値的な観察において、基礎となる言語クエリと多様な回答形式を必要とする。 しかし、既存の手法は特定のデータセットに非常に適しており、入力系列、質問コンテキスト、回答要求が同時にシフトする際の一般化に苦慮している。 この課題に対処するために,クロスデータセットゼロショットTSQAのための分離ワークフローを確立するエージェントフレームワークTSHarnessを提案する。 TSHarnessは、構造化された時系列知覚状態(TPS)を介して、数値知覚と文脈推論を分割し、征服する。 学習ツールセレクタは、分析知識の再利用可能な記憶によって誘導され、数値ツールを適応的に呼び出して、TPSに有意な統計的特徴と時間的特徴を抽出する。 そして、応答エージェントは、TPS上でセマンティック推論を行い、ターゲット出力を生成し、証拠不十分と判断された場合、フィードバックループを通じて反復的再認識をトリガーする。 TSHarnessは、問題固有の推論から数値的特徴抽出を分離することにより、目標側トレーニングや回答フィードバックの必要性を排除し、ゼロショットTSQAの汎用的でコスト効率の良い基礎を提供する。

関連論文リスト

• SCoP: Structured Constraint Parsing for Evidence-Space Control in Temporal Knowledge Graph Question Answering [9.907129098005495]
  TKGQA (Temporal Knowledge Graph Question Answering) は、構造的に妥当で、時間的に許容できる証拠からの回答推論を必要とする。 複雑なTKGQAをエビデンス空間制御として定式化し,SCoP(Structured Constraint Parsing)を応答推論の前に時間的決定を外部化する制約中心のフレームワークとして提案する。
  論文  参考訳（メタデータ） (2026-09-02T06:33:13Z)
• 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)
• QuAnTS: Question Answering on Time Series [50.91478742616324]
  時系列データに対する質問応答のための新しい時系列QAデータセットQuAnTSを提案する。 我々は、追跡された骨格軌道の形で、人間の動きに関する様々な疑問と答えを提示する。 大規模なQuAnTSデータセットは、広範囲な実験を通じて十分に形成され、包括的であることを検証する。
  論文  参考訳（メタデータ） (2025-11-07T10:07:03Z)
• Decomposition-Enhanced Training for Post-Hoc Attributions In Language Models [64.49342399229529]
  我々は、ポストホック帰属を推論問題として再編成し、回答を構成単位に分解し、それぞれ特定の文脈に結び付けることができると論じる。 DecompTuneは、モデルに中間的推論ステップとして解解分解を生成することを教えるポストトレーニング手法である。 DecompTuneは、広範な実験と改善を通じて、属性の品質を大幅に改善し、先行手法より優れ、最先端のフロンティアモデルに適合または超えている。
  論文  参考訳（メタデータ） (2025-10-29T17:58:59Z)
• Question-Aware Gaussian Experts for Audio-Visual Question Answering [8.377705744753047]
  AVQA (Audio-Visual Question Answering) は質問に基づく多モーダル推論と正確な時間的根拠を必要とする。 本稿では,質問情報を明示的に組み込んだ新しいフレームワークQA-TIGERを提案する。
  論文  参考訳（メタデータ） (2025-03-06T14:11:46Z)
• Time-MQA: Time Series Multi-Task Question Answering with Context Enhancement [55.2439260314328]
  Time Series Multi-Task Question Answering (Time-MQA)は、複数の時系列タスクにわたる自然言語クエリを可能にする統合フレームワークである。 Time-MQAの中心はTSQAデータセットである。
  論文  参考訳（メタデータ） (2025-02-26T13:47:13Z)
• 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)

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。