論文の概要: CoSTA: Co-Evolving Self-Play Timeline Agents for Complex Temporal Knowledge Graph Question Answering

• arxiv url: http://arxiv.org/abs/2610.38450v1
• Date: Wed, 28 Oct 2026 08:26:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 10:38:59.722075
• Title: CoSTA: Co-Evolving Self-Play Timeline Agents for Complex Temporal Knowledge Graph Question Answering
• Title（参考訳）: CoSTA:複雑な時間知識グラフ質問応答のためのセルフプレイタイムラインエージェントの共同開発
• Abstract要約: 複合時間知識グラフ質問回答(TKGQA)は、事実の検索以上のものを含んでいる。 我々はtextbfCo-Evolving textbfSelf-Play textbfTimeline textbfAgents (CoSTA)を提案する。 CoSTAは、事実をタイムラインに整理し、労働者に調査を委任し、コーディネーターを使用して元のタイムスタンプを合成する。
• 参考スコア（独自算出の注目度）: 10.354904217832312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complex Temporal Knowledge Graph Question Answering (TKGQA) involves more than retrieving facts: the timestamp or validity interval of one fact can constrain the search for another, while multiple intervals may jointly determine the answer. Existing single-agent TKGQA methods typically investigate these facts within a single reasoning context, where evidence from different event histories can become interleaved and distractors can misdirect subsequent retrieval. Distributing investigations across agents can separate event-specific evidence into distinct contexts, but effective collaboration must still be learned because question decomposition, subtask investigation, and evidence synthesis are interdependent. To address these limitations, we propose \textbf{Co}-Evolving \textbf{S}elf-Play \textbf{T}imeline \textbf{A}gents (CoSTA), which organizes facts into navigable timelines, delegates investigations to workers, and uses a coordinator to synthesize their original timestamped observations. CoSTA initializes a shared policy through role-conditioned distillation and jointly optimizes both roles through co-evolving self-play with final-answer rewards. Across three benchmarks, CoSTA achieves state-of-the-art overall performance, with particularly strong gains on complex multi-fact questions, while its compact variants outperform the evaluated closed-source LLM agents.
• Abstract（参考訳）: 複雑な時間的知識グラフ質問回答(TKGQA)は、事実を検索する以上のものを含んでいる: ある事実のタイムスタンプまたは妥当性の間隔は、別の事実の探索を制限し、複数の区間が共同で答えを決定する。 既存の単一エージェントのTKGQA法は、典型的には、これらの事実を単一の推論コンテキスト内で調査する。 エージェント間の分散調査は、事象固有の証拠を異なる文脈に分けることができるが、質問の分解、サブタスクの調査、証拠合成が相互依存しているため、効果的な協力は依然として学ばなければならない。 これらの制限に対処するために、我々は、事実をナビゲート可能なタイムラインに整理し、労働者に調査を委譲し、元のタイムスタンプ化された観測をコーディネータを用いて合成する、 \textbf{Co}-Evolving \textbf{S}elf-Play \textbf{T}imeline \textbf{A}gents (CoSTA)を提案する。 CoSTAはロール条件の蒸留を通じて共有ポリシーを初期化し、最終回答の報酬との共同プレイを通じて両ロールを共同で最適化する。 3つのベンチマークで、CoSTAは最先端の全体的な性能を達成し、特に複雑なマルチファクトの質問において、そのコンパクトな変形は評価されたクローズドソースのLLMエージェントよりも優れている。

関連論文リスト

• HIRE: History-Conditioned Interaction Reasoning and High-Rate Execution for Visually Aliased Precision Manipulation [88.74642218250409]
  歴史調和型インタラクション・ステート・リゾナ(ISR)とハイレートインタラクション・マニフォールド・エクゼクタ(IME)を組み合わせたクロスレートフレームワークHIREを紹介する。 ISRは命令されたレンチ履歴を時間的レンチエンコーダとフォース・パーシーバーでエンコードする。 IMEは接触臨界運動を本質的な進行と横方向補正に構成し、正確な実行を行う。
  論文  参考訳（メタデータ） (2026-09-25T05:13:23Z)
• 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)
• Towards Verifiable Multimodal Deep Research: A Multi-Agent Harness for Interleaved Report Generation [74.0621258662676]
  レポート生成のためのマルチエージェントハーネスであるPtahを提案する。 Ptahは計画、研究、執筆段階を通じて、ユーザクエリからレンダリングされたWebレポートまでのライフサイクルを編成する。 検証エージェントがハーネスの受け入れ機能として機能し、ワークフロー全体を通して事実的接地、引用の忠実性、相互の整合性を強制する。
  論文  参考訳（メタデータ） (2026-05-28T12:40:34Z)
• Learning to Summarize by Learning to Quiz: Adversarial Agentic Collaboration for Long Document Summarization [86.98098988779809]
  SummQは長期文書要約のための新しい逆多重エージェントフレームワークである。 提案手法では,包括的な要約を作成し,評価するために協調作業を行う要約ジェネレータとレビュアーを用いる。 広範に使用されている3つの文書要約ベンチマーク上でSummQを評価する。
  論文  参考訳（メタデータ） (2025-09-25T08:36:19Z)
• 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)
• CORG: Generating Answers from Complex, Interrelated Contexts [57.213304718157985]
  現実世界のコーパスでは、知識は文書間で頻繁に再帰するが、曖昧な命名、時代遅れの情報、エラーのためにしばしば矛盾を含む。 以前の研究では、言語モデルはこれらの複雑さに苦しむことが示されており、典型的には孤立した単一要因に焦点を当てている。 複数のコンテキストを個別に処理されたグループに整理するフレームワークであるContext Organizer (CORG)を紹介する。
  論文  参考訳（メタデータ） (2025-04-25T02:40:48Z)
• MRAG: A Modular Retrieval Framework for Time-Sensitive Question Answering [3.117448929160824]
  大規模言語モデル(LLM)を用いた質問応答システムにおいて,時間的関係と応答時間に敏感な質問 我々は、時間的摂動と金のエビデンスラベルを組み込むことで、既存のデータセットを再利用するTempRAGEvalベンチマークを導入する。 TempRAGEvalでは、MRAGが検索性能においてベースラインレトリバーを著しく上回り、最終回答精度がさらに向上した。
  論文  参考訳（メタデータ） (2024-12-20T03:58:27Z)
• Joint Multi-Facts Reasoning Network For Complex Temporal Question Answering Over Knowledge Graph [34.44840297353777]
  時間的知識グラフ(TKG)は、時間範囲をアタッチすることで、通常の知識グラフの拡張である。 textbfunderlineMulti textbfunderlineFacts textbfunderlineReasoning textbfunderlineNetwork (JMFRN)を提案する。
  論文  参考訳（メタデータ） (2024-01-04T11:34:39Z)

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。