★ 3
ChronoRegime:面向未来可预测性的时序推理框架 CTR
研究者提出 ChronoRegime 未来导向时序推理任务,要求模型判断历史时序证据是否足以支持对未来答案的承诺,并提出置信度感知时序推理框架 CTR。在多个 LLM 上,CTR 将严格总体准确率提升 6.7 个百分点,平均降低幻觉率 18.4 个百分点。
arXiv NLP19 天前
共 5 篇相关资讯,按重要度与时间排序,每 3 小时更新。
研究者提出 ChronoRegime 未来导向时序推理任务,要求模型判断历史时序证据是否足以支持对未来答案的承诺,并提出置信度感知时序推理框架 CTR。在多个 LLM 上,CTR 将严格总体准确率提升 6.7 个百分点,平均降低幻觉率 18.4 个百分点。
论文针对时序多模态大模型难以捕捉动态时序模式、缺乏显式推理的问题,提出TimeThink合成框架。该框架利用趋势、季节性等域无关时序原语确定性生成原子与组合问答对,并采用可验证奖励强化学习训练策略。仅用合成数据训练即在合成与真实基准上显著超越强基线。
针对语义 RAG 难以捕捉多跳因果知识、易引入冗余导致错误推理的问题,论文提出 TCC-RAG,将时序知识图谱重构为多视图因果线索图,构建查询专属时序因果链引导检索,并加入因果证据过滤器。在两个 TKGQA 基准上分别提升 10.72% 与 8.40%,多步时序推理提升达 62.97%。
论文针对「证据一致性陷阱」——检索到时间错配但语义合理的证据导致误判——构建 ChronoFake 基准(30706 篇文章),并提出 DelSA 文档选择自更新智能体。DelSA 用 LLM 刻画候选证据,由验证器训练的 reranker 平衡相关性与时间线一致性,在 ChronoFake 上优…
论文将时序知识图谱问题生成视为保持约束的图到问题任务,提出 ChronoSynth,先构建时序意图状态显式表达问题语义,再从模式记忆中检索匹配的问题模式并适配、校验与迭代修订。在 CRONQUESTIONS 与 MultiTQ 上取得当前最优生成表现,消融实验验证各组件贡献。