研究者提出TEPCA框架用于时序知识图谱推理
热点事件持续更新
研究者提出TEPCA框架用于时序知识图谱推理
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
研究者 Jiapu Wang 等人提出时序证据-参数协同对齐（TEPCA）框架，用于让大语言模型在时序知识图谱上推理。该框架在证据层用时间约束的动态相关性引导路径剪枝与互信息剪枝，保留时序连贯的推理路径；在参数层引入按时间戳条件化的 Dynamic-Gated LoRA（DG-LoRA），动态调整低秩适配子空间。 据论文报告，TEPCA 在两个时序知识图谱基准上取得 SOTA；DG-LoRA 在八个常识问答数据集上验证了输入自适应能力，以及跨不同 LLM 主干的扩展性。
AI 根据报道生成 · 1 小时前更新
最新进展10月21日 12:00
TEPCA：面向时序知识图谱 LLM 推理的证据-参数协同对齐框架报道时间线
沿着报道，了解事件的不同侧面。
10月21日
- arXiv cs.CLTEPCA：面向时序知识图谱 LLM 推理的证据-参数协同对齐框架
研究者提出 TEPCA 框架，在证据与参数两个层面将 LLM 推理与时序知识对齐。证据层用时间约束的动态相关性引导路径（DRGP）剪枝与互信息剪枝保留时序连贯路径，参数层引入时间戳条件化的 Dynamic-Gated LoRA（DG-LoRA）动态调整低秩适配子空间。在两个 TKG 基准上取得 SOTA，DG-LoRA 在八个常识 QA 数据集上验证了输入自适应能力与跨 LLM 主干的可扩展性。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。