- 使用代码执行解锁大型语言模型的时间问答
本研究旨在探讨大型语言模型在处理复杂时间推理能力问题上的挑战，并提出了一种结合自然语言处理和逻辑推理的框架，证明了其在时间限制推理任务方面的有效性。
- 视觉思维链：多模态填充填补逻辑间隙
通过视觉增强实现 VCoT 方法，利用多模态填充降低序列数据中的逻辑间隙，改善下游任务的表现及对模型的多步推理提供可解释性。在视觉叙事和 WikiHow 摘要数据集上，VCoT 方法通过人类评估超越了思维链基线模型，提供了新的、一致的合成数 - DIR-AS: 将个体识别和时间推理分离以进行动作分割
本文提出了一种新颖的本地 - 全局注意力机制来解决行动分割中过度分割问题，同时通过时间金字塔扩张和池化来实现高效多尺度关注，将个体识别与时间推理解耦，并通过行动对齐模块来融合不同的粒度级别预测，从而实现更精确和更平滑的行动分割， 在 GTE - AAAIPyReason： 开放世界时间逻辑软件
PyReason 是一个基于广义注释逻辑的软件框架，支持在时间有限的情况下进行推理，可以直接支持在图形结构上的推理，包括各种实用功能，具有可解释性。
- ACL基于证据的事实核查的隐式时间推理
研究表明，利用时间信息可以对基于证据的事实检验的认证过程起到积极的正向影响，通过对构建共享时间轴的发布日期和时间表达式进行基础建设可以建立索赔和证据之间的时间关系，从而提供给基于循环神经网络（RNN）和转换器（Transformer）的分类 - 检索重构：大规模语言模型推理
本文提出了一种名为 'rethinking with retrieval' (RR) 的后置处理方法，借助 'chain-of-thought' (CoT) 提示中的分解推理步骤检索相关的外部知识，从而改善大语言模型在常识推理、时间推理和表 - 差分分析和解释中的通用时态推理
本研究介绍了一种名为 TODAY 的任务，旨在桥接现有数据集的局限性，通过评估模型能否正确理解渐进变化的影响，来进行时间推理的迁移学习。我们发现，当前的模型更多地依赖虚假信息而非恰当的推理来进行时间预测，并证明了 TODAY 的监督风格和解 - TwiRGCN: 临时加权图卷积用于时间知识图上的问答
通过引入知识图谱中边相关时间的相关性，利用关系图卷积网络（RGCN）来解决复杂时间问题类型并显著提高精度。
- 基于时空趋势推理的人体姿态和形状估计技术
本文提出了一个 SRT 网络，通过时空趋势推理设计了一个时间趋势推理（TTR）模块和一个空间趋势增强（STE）模块，来提高人体姿态估计的准确性。通过实验在公共数据集上验证，该模型与同类算法性能相当。
- 定性推理问题的多元复杂度分析
本文介绍了单指数算法，并通过多元分析研究了时间推理问题，特别是针对 Allen 的时间间隔代数，证明了一个新问题可以在单指数时间内解决，并且这种方法可以更广泛地用于其他问题。
- 基于知识库的通用且可解释的时间问答基准
本文提出了一个基于 Wikidata 的时间问答数据集 TempQA-WD，以鼓励更多的研究在复杂推理任务方面的延伸和拓展。该数据集具有以下特点：（a）包含了中间 sparql 查询以方便基于语义解析的 KBQA 方法的评估，（b）可以推广 - 使用视听 Transformer 进行场景感知对话和推理，并进行联合师生学习
本文介绍了第三个 AVSD 挑战赛，其包括时间推理的任务和新的数据集，在这个数据集中，人类生成了时间推理数据。文章提出了基于 AV-transformer 的基线系统，并通过注意力多模态融合、联合师生学习和模型组合技术扩展了基线系统，提高了 - 用于回答时间关键问题的数据集
本文提出了构建一种基于时间敏感的问答数据集，用于评估长文档 QA 系统的时间推理能力，针对现有的 QA 数据集缺乏时序问题的问题，展示出当前现有的 SoTA QA 系统（如 BigBird 和 FiD）对于时间推理的能力仍不完备，在此基础上 - TIMEDIAL: 对话中的时间常识推理
本文首次探讨了预训练语言模型在对话中的时间推理能力，并通过引入新任务 TIMEDIAL 和多项选择 cloze 测试集验证了模型的表现，同时指出模型在考虑对话上下文以及模型对于上下文中时间模式依赖性的主观推断方面存在差距，为未来时间概念建模 - ACL利用远程监督进行隐式事件的时间推理
介绍了一种新的挑战，即隐式事件的研究，已有的方法侧重于显式事件；提出了一种基于神经符号学的时态推理模型 SYMTIME，并使用大规模文本的远程监督信号和时态规则结合开始时间和持续时间来推断结束时间，此方法在 TRACIE 的表现优于强基线系 - IJCAI文本时间信息提取的时间推理调查（扩展摘要）
本文综述了过去几十年来针对从文本中自动抽取时间信息的时间推理研究，并为基于机器学习的信息抽取系统集成符号推理提供了一个案例研究。
- 基于音频问答的时间推理
本研究使用音频问题回答（Audio Question Answering，AQA）任务研究机器学习模型的时间推理能力，并提出 Multiple Auxiliary Controllers for Linear Modulation（MALi - ICCV高效动作识别的组合空时聚合
本文提出一种名为 “grouped spatial-temporal aggregation” 的新型分解方法，将特征通道分解成空间和时间分组并在并行处理。实验证明，该方法在需要时序推理的动作识别任务上具有更加高效的性能。
- EMNLP循环事件网络：在时间知识图谱上进行自回归结构推断
本篇论文提出了一种使用循环事件网络的方法，针对具有时间戳的知识图谱中的推理问题，通过对已知事实的模型化预测未来事件，通过对未来时间戳上的链接预测实现多步推理。
- ICCV用于因果关系 3D CNN 的递归卷积
本文提出了一种新的 3D CNN 架构，即循环卷积网络，它通过递归来在每个网络层捕获帧之间的时间上下文，可以产生因果性输出，提供灵活的时间推理，同时保留时间分辨率，适用于在线和视频序列到序列建模等任务。