論文の概要: Temporal Evidence-Parameter Co-Alignment for LLM Reasoning over Temporal Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2610.28176v1
• Date: Tue, 20 Oct 2026 13:16:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.827069
• Title: Temporal Evidence-Parameter Co-Alignment for LLM Reasoning over Temporal Knowledge Graphs
• Title（参考訳）: 時間的知識グラフを用いたLLM推論のための時間的エビデンス-パラメータ共アライメント
• Abstract要約: 大規模言語モデル(LLM)は、そのパラメトリックメモリが現実世界の知識の動的進化と相容れないため、時間的根拠を持つ推論に苦しむことが多い。 既存の検索手法は、時間的妥当性、事象順序、進化的依存関係を見極めながら意味的関連性を優先し、結果として、孤立しているが時間的に断片化された証拠となる。 本稿では, TKG 上の LLM 推論のためのフレームワークである TEPCA を提案する。
• 参考スコア（独自算出の注目度）: 2.4521924312405443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) often struggle with temporally grounded reasoning because their static parametric memory is misaligned with the dynamic evolution of real-world knowledge. Although RAG and Parameter-Efficient Fine-Tuning (PEFT) provide practical ways to enhance LLMs, they remain insufficient for temporal reasoning. Existing retrieval methods typically prioritize semantic relevance while overlooking temporal validity, event order, and evolutionary dependencies, resulting in evidence that is relevant in isolation but temporally fragmented. Meanwhile, conventional PEFT methods usually employ fixed and input-agnostic low-rank updates, making it difficult to capture time-dependent entity semantics and relation drift. To address these limitations, we propose Temporal Evidence-Parameter Co-Alignment (TEPCA), a framework for LLM reasoning over TKGs. TEPCA aligns LLM reasoning with temporal knowledge at both the evidence and parameter levels. At the evidence level, it introduces time-constrained Dynamic Relevance-Guided Path (DRGP) pruning to preserve globally coherent temporal paths, together with Mutual-Information (MI)-based pruning to retain query-informative local facts under temporal constraints. At the parameter level, it integrates Dynamic-Gated LoRA (DG-LoRA), a timestamp-conditioned low-rank adaptation mechanism that dynamically modulates the effective adaptation subspace according to temporal context. This design enables LLMs to better capture fine-grained entity evolution and time-dependent relation semantics while preserving parameter efficiency. Experimental results on two TKG benchmarks demonstrate that TEPCA achieves state-of-the-art performance. Additional evaluations of DG-LoRA on eight commonsense QA datasets further verify its general input-adaptive capacity, scalability across LLM backbones, and interpretability.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、静的パラメトリックメモリが現実世界の知識の動的進化と相容れないため、時間的基盤の推論に苦慮することが多い。 RAGとPEFTはLLMを効果的に強化する手段を提供するが、時間的推論には不十分である。 既存の検索手法は通常、時間的妥当性、事象順序、進化的依存関係を見越しながら意味的関連性を優先し、結果として、孤立しているが時間的に断片化された証拠となる。 一方、従来のPEFT法では、固定および入出力に依存しない低ランクの更新が一般的であり、時間依存のエンティティセマンティクスや関係のドリフトを捉えることは困難である。 これらの制約に対処するため、TKGを用いたLLM推論のためのフレームワークであるTEPCA(Temporal Evidence-Parameter Co-Alignment)を提案する。 TEPCAはLLM推論と時間的知識を証拠レベルとパラメータレベルの両方で一致させる。 証拠レベルでは、時間制約付き動的関連誘導経路(DRGP)プルーニングを導入し、相互情報(MI)ベースのプルーニングとともに、時間制約の下でクエリ非形式的な局所的な事実を保持する。 パラメータレベルでは、時空間に応じて効果的な適応部分空間を動的に変調するタイムスタンプ条件の低ランク適応機構であるDynamic-Gated LoRA (DG-LoRA)を統合している。 この設計により、LLMはパラメータ効率を保ちながら、粒度の細かいエンティティの進化や時間依存関係のセマンティクスをより正確に把握できる。 2つのTKGベンチマークの実験結果は、TEPCAが最先端のパフォーマンスを達成することを示す。 8つのコモンセンスQAデータセットに対するDG-LoRAのさらなる評価は、その一般的な入力適応能力、LLMバックボーン間のスケーラビリティ、解釈可能性をさらに検証する。

関連論文リスト

• Q-TIE: A Lightweight and Generalizable Re-ranking Framework for Temporal Information Retrieval [20.436295522080602]
  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。
  論文  参考訳（メタデータ） (2026-09-20T21:30:31Z)
• Chronofy: A Temporal-Logical Decay Architecture for Information Validity in Time-Aware Retrieval-Augmented Generation [0.0]
  Retrieval-Augmented Generation (RAG) システムは、外部知識を検索して統合し、基盤となる大規模言語モデル(LLM)出力を出力する。 現在のRAGアーキテクチャは、全ての検索された事実を時間的前兆に関係なく等しく有効と扱い、時間的幻覚につながる。 本稿では, 時間的妥当性をRAGシステムの表現, 検索, 推論層に直接組み込むTLDA(Temporal-Logical Decay Architecture)を実装した3層ニューロシンボリック・フレームワークであるクロノフィーについて述べる。
  論文  参考訳（メタデータ） (2026-07-17T23:20:24Z)
• 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)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• Enhancing Temporal Awareness in LLMs for Temporal Point Processes [53.596733432865626]
  時間的ポイントプロセス(TPP)は、時間とともにイベントを分析するのに不可欠である。 TPP-TALは、大規模な言語モデルにおける時間的推論を強化するために設計された新しいプラグイン・アンド・プレイフレームワークである。 TPP-TALは時間的確率推定と事象予測精度を大幅に改善した。
  論文  参考訳（メタデータ） (2025-12-29T03:01:24Z)
• MemoTime: Memory-Augmented Temporal Knowledge Graph Enhanced Large Language Model Reasoning [22.89546852658161]
  時間的知識グラフは時間的推論の信頼できる情報源を提供する。 既存の TKG ベースの LLM 推論手法は、4つの大きな課題に苦慮している。 メモリ拡張時間知識グラフフレームワークであるMemoTimeを提案する。
  論文  参考訳（メタデータ） (2025-10-15T14:43:31Z)
• DAMR: Efficient and Adaptive Context-Aware Knowledge Graph Question Answering with LLM-Guided MCTS [28.828541350757714]
  本稿では,知識グラフ質問応答(KGQA)のための動的適応MCTSベースの推論(DAMR)を提案する。 DAMRは、MCTS(Monte Carlo Tree Search)と適応経路評価を統合し、コンテキスト対応のKGQAを実現する。 複数のKGQAベンチマークの実験では、DAMRはSOTA法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-08-01T15:38:21Z)
• Large Language Models-guided Dynamic Adaptation for Temporal Knowledge Graph Reasoning [87.10396098919013]
  大規模言語モデル (LLM) は、時間的推論において広範な知識と卓越した能力を示した。 本稿では,時間的知識グラフに基づく推論のためのLarge Language Models-Guided Dynamic Adaptation (LLM-DA)法を提案する。 LLM-DAは、歴史的データを解析し、時間的論理規則を抽出するLLMの機能を利用する。
  論文  参考訳（メタデータ） (2024-05-23T04:54:37Z)
• 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)

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。