論文の概要: TCC-RAG: Temporal Causal Chain-Guided RAG for Temporal Knowledge Graph Question Answering

• arxiv url: http://arxiv.org/abs/2610.38366v1
• Date: Wed, 28 Oct 2026 07:03:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 18:07:14.613108
• Title: TCC-RAG: Temporal Causal Chain-Guided RAG for Temporal Knowledge Graph Question Answering
• Title（参考訳）: TCC-RAG : 時間的知識グラフ質問応答のための時間的因果連鎖ガイド付きRAG
• Abstract要約: 複雑な時間的推論を支援するために,時間的因果知識の簡潔かつ十分なセットを検索するために,時間的因果連鎖誘導RAG(TCC-RAG)を提案する。 TCC-RAGは2つのTKGQAベンチマークで10.72%と8.40%の大幅なパフォーマンス向上を達成した。
• 参考スコア（独自算出の注目度）: 43.229560518159865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in large language models (LLMs) have spurred growing interest in temporal knowledge graph question answering (TKGQA). Most existing methods rely on semantic retrieval augmented generation (RAG), which suffers from fundamental limitations in complex temporal reasoning. On the one hand, semantic-based RAG methods struggle to capture the multi-hop causal knowledge required for complex temporal reasoning. On the other hand, these methods introduce excessive redundant knowledge, trapping LLMs in spurious reasoning chains that potentially result in erroneous answers. To address these problems, we propose a Temporal Causal Chain-guided RAG (TCC-RAG) to retrieve a concise yet sufficient set of causal knowledge to support complex temporal reasoning. Specifically, we reformulate the temporal knowledge graph into a multi-view causal cue graph, with causal cues inducing connections that explicitly encode temporal evolution and causal dynamics. Based on the causal cue graph, we construct a query-specific temporal causal chain to guide the retrieval process, enabling the model to focus on a concise set of causally relevant knowledge. Finally, we introduce a causal evidence filter to refine the retrieved knowledge, ensuring its causal consistency with the underlying temporal logic of the query. Experiments show that TCC-RAG achieves substantial performance gains of 10.72% and 8.40% on two TKGQA benchmarks, and delivers a remarkable 62.97% improvement for multi-step temporal reasoning.
• Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩は、時間知識グラフ質問応答(TKGQA)への関心が高まっている。 既存の手法の多くは、複雑な時間的推論の基本的な制限に悩まされている意味検索拡張生成(RAG)に依存している。 一方、意味に基づくRAG法は、複雑な時間的推論に必要なマルチホップ因果的知識を捉えるのに苦労する。 一方、これらの手法は過剰な余分な知識を導入し、誤った答えをもたらす可能性のある急激な推論連鎖にLSMをトラップする。 これらの問題に対処するために、複雑な時間的推論を支援するために、簡潔で十分な因果知識を検索するために、時間的因果連鎖誘導RAG(TCC-RAG)を提案する。 具体的には、時間的知識グラフを多視点因果キューグラフに再構成し、時間的進化と因果ダイナミクスを明示的にエンコードする接続を因果キューで誘導する。 因果因果グラフに基づいて、検索プロセスのガイドとして、クエリ固有の時間的因果連鎖を構築し、因果関連知識の簡潔なセットに集中できるようにする。 最後に、検索した知識を洗練させる因果的エビデンスフィルタを導入し、その因果的一貫性をクエリの根底にある時間論理と一致させる。 TCC-RAGは2つのTKGQAベンチマークで10.72%と8.40%の大幅なパフォーマンス向上を実現し、マルチステップの時間的推論において62.97%の大幅な改善を実現している。

関連論文リスト

• Foresight-over-Graph: Reasoning Beyond Local Horizons for Knowledge Base Question Answering [61.41039067700017]
  本稿では,知識ベース質問応答(KBQA)のためのフォレスト・オーバー・グラフ(FoG)を提案する。 FoGは、質問関連エビデンスを反復的に構築し、経路探索のガイドとして遠方からのフィードバックを使用する。 KBQAベンチマークの実験は、FoGが最先端のパフォーマンスを達成し、特にCWQで16.58%向上したことを示している。
  論文  参考訳（メタデータ） (2026-10-06T14:07:43Z)
• 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)
• HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
  大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。 Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。 ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-24T14:05:29Z)
• ProgRAG: Hallucination-Resistant Progressive Retrieval and Reasoning over Knowledge Graphs [2.9539912037183362]
  大きな言語モデル(LLM)は強い推論能力を示すが、幻覚と限られた透明性に苦しむ。 本稿では,複雑な質問をサブクエストに分解し,部分的推論経路を拡張するマルチホップ知識グラフ質問応答(KGQA)フレームワークであるProgRAGを提案する。 3つのよく知られたデータセットの実験により、ProgRAGはマルチホップKGQAで既存のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2025-11-13T12:14:36Z)
• Plan of Knowledge: Retrieval-Augmented Large Language Models for Temporal Knowledge Graph Question Answering [23.330273675675897]
  時間的知識グラフ質問回答(TKGQA)は、時間的知識グラフ(TKGs)からの事実情報を活用することで、時間に敏感な質問に答えることを目的としている。
  論文  参考訳（メタデータ） (2025-11-06T05:24:14Z)
• LAG: Logic-Augmented Generation from a Cartesian Perspective [7.2022636966543745]
  本稿では,体系的な問題分解と依存性を考慮した推論を通じて知識強化を再構築する新しいパラダイムである論理拡張生成(LAG)を紹介する。 4つのベンチマークデータセットの実験では、LAGは推論の堅牢性を大幅に向上し、幻覚を減少させ、LLM問題の解決を人間の認知と整合させることが示されている。
  論文  参考訳（メタデータ） (2025-08-07T15:42:00Z)
• 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)
• 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)

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。