論文の概要: Can LLMs Access their World Knowledge for Event Prediction?

• arxiv url: http://arxiv.org/abs/2610.19021v1
• Date: Tue, 13 Oct 2026 18:14:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.741595
• Title: Can LLMs Access their World Knowledge for Event Prediction?
• Title（参考訳）: LLMはイベント予測の世界の知識にアクセスできるか?
• Abstract要約: インターフェースが2つの選択肢に基づいて設計されている場合、大きな言語モデルが効果的なイベント予測に有効であることを示す。 第1は、各イベントを自然言語で記述し、第2は、予測空間からイベントセマンティクスを分離する。 有能なLLMは記述や記号ラベルの恩恵を受けており、説明自由な変種や非LLMベースラインよりも優れています。
• 参考スコア（独自算出の注目度）: 45.68751734708172
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent work has questioned whether large language models (LLMs) can be useful for temporal event prediction. Despite vast pretrained world knowledge, LLMs often underperform simpler specialized models. We ask whether this knowledge is truly inaccessible, or whether current methods fail to present event prediction in a form LLMs can use. We argue for the latter and show that LLMs become effective event forecasters when the interface is designed around two choices. The first grounds each event in a natural-language description, and the second separates event semantics from the prediction space to prevent semantic bias from label associations. To test this, we introduce DescribeEvent, a benchmark of ~150K events across seven datasets and six domains with event-level descriptions. We find that capable LLMs substantially benefit from descriptions and symbolic labels, outperforming description-free variants and non-LLM baselines, while weaker models gain little. These results suggest that accessing LLM world knowledge for event prediction is an interface problem, and that event descriptions offer a practical way to elicit the knowledge LLMs already encode.
• Abstract（参考訳）: 近年の研究では,大規模言語モデル(LLM)が時間的事象予測に有用かどうかが疑問視されている。 膨大な事前訓練を受けた世界知識にもかかわらず、LLMはより単純な特殊モデルよりも性能が劣ることが多い。 我々は、この知識が本当にアクセスできないのか、それとも現在の手法がLLMが利用できる形でイベント予測を提示できないのかを問う。 後者について論じるとともに,インターフェースが2つの選択肢に基づいて設計された場合,LLMが効果的なイベント予測器となることを示す。 第1は、各イベントを自然言語で記述し、第2は、予測空間からイベントセマンティクスを分離し、ラベル関連からのセマンティクスバイアスを防ぐ。 これをテストするために,7つのデータセットと6つのドメインにわたる約150KイベントのベンチマークであるDescribeEventを紹介した。 有能なLLMは記述や記号ラベルの恩恵を受けており、説明自由な変種や非LLMベースラインよりも優れており、弱いモデルはほとんど得られていない。 これらの結果は、イベント予測のためのLLMの世界知識へのアクセスはインターフェースの問題であり、イベント記述は、既にエンコードされているLLMの知識を引き出す実践的な方法であることを示している。

関連論文リスト

• In-context Demonstration Matters: On Prompt Optimization for Pseudo-Supervision Refinement [71.60563181678323]
  大規模言語モデル(LLM)は様々なタスクで大きな成功を収めており、生成品質をさらに向上させるためには微調整が必要である場合もある。 これらの課題に対処する直接的な解決策は、教師なしの下流タスクから高信頼のデータを生成することである。 本稿では,プロンプトと全体的な擬似スーパービジョンを両立させる新しい手法,擬似教師付きデモアライメント・アライメント・アライメント・プロンプト・最適化(PAPO)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-04T03:39:28Z)
• Structured Event Reasoning with Large Language Models [4.897267974042842]
  現実の出来事に対する推論は、AIとNLPの統一的な課題である。 私は、エンド・ツー・エンドのLLMが複雑なイベントを体系的に推論できないことを示しています。 イベントの構造化表現と合わせてLLMを使用するための3つの一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-28T19:03:41Z)
• A Comprehensive Evaluation on Event Reasoning of Large Language Models [68.28851233753856]
  LLMが、様々な関係や推論パラダイムに基づいたイベント推論をいかにうまく達成するかは、いまだに不明である。 本稿ではEVent推論のEValuationのための新しいベンチマークEV2を紹介する。 LLMにはイベント推論を実現する能力があるが、その性能は十分ではない。
  論文  参考訳（メタデータ） (2024-04-26T16:28:34Z)
• Are Large Language Models Temporally Grounded? [38.481606493496514]
  文章を記述したLarge Language Model (LLM) を提供する。 イベントの構造と持続時間に関する常識的な知識に関して、それらを調査する。 これらの能力を反映した3つの課題に対して,最先端のLCMを評価した。
  論文  参考訳（メタデータ） (2023-11-14T18:57:15Z)
• Event knowledge in large language models: the gap between the impossible and the unlikely [46.540380831486125]
  我々は,事前学習された大規模言語モデル (LLM) がイベント知識を持つことを示す。 彼らはほぼ常に、不可能な事象に対して高い確率を割り当てる。 しかし、おそらくは起こりそうもない出来事に対して、一貫性のない選好を示す。
  論文  参考訳（メタデータ） (2022-12-02T23:43:18Z)

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。