Enhancing Temporal Sensitivity and Reasoning for Time-Sensitive Question Answering

要約

時間に敏感な質問応答 (TSQA) では、時間に敏感な質問に対処するために、時間の経過とともに変化する複数の事実を含む、特定の時間的コンテキストを効果的に利用する必要があります。
これには、質問内の一時的な情報を解析するだけでなく、正確な回答を生成するために時間とともに変化する事実を特定して理解することも必要になります。
しかし、現在の大規模な言語モデルは、時間情報に対する感度がまだ限られており、時間推論能力が不十分です。この論文では、時間情報認識埋め込みと粒度対照強化学習を通じて時間認識と推論を強化する新しいフレームワークを提案します。
4 つの TSQA データセットに関する実験結果は、TSQA タスクにおいて私たちのフレームワークが既存の LLM を大幅に上回り、機械と人間の時間的理解と推論の間のパフォーマンスのギャップを埋める上で一歩前進したことを示しています。

要約(オリジナル)

Time-Sensitive Question Answering (TSQA) demands the effective utilization of specific temporal contexts, encompassing multiple time-evolving facts, to address time-sensitive questions. This necessitates not only the parsing of temporal information within questions but also the identification and understanding of time-evolving facts to generate accurate answers. However, current large language models still have limited sensitivity to temporal information and their inadequate temporal reasoning capabilities.In this paper, we propose a novel framework that enhances temporal awareness and reasoning through Temporal Information-Aware Embedding and Granular Contrastive Reinforcement Learning. Experimental results on four TSQA datasets demonstrate that our framework significantly outperforms existing LLMs in TSQA tasks, marking a step forward in bridging the performance gap between machine and human temporal understanding and reasoning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google