arXiv:2601.20735v2 cs.AI

계량 시간 정답 집합 프로그래밍 구현

Implementing Metric Temporal Answer Set Programming

Arvid Becker, Pedro Cabalar, Martin Diéguez, Susana Hahn, Javier Romero, Torsten Schaub

제출 2026-01-28

한국어 초록

우리는 지속 시간이나 마감 기한과 같은 정량적 시간 제약을 표현할 수 있도록 계량 정답 집합 프로그래밍(Metric Answer Set Programming, ASP)에 대한 계산적 접근 방식을 개발한다. 핵심 과제는 세밀한 시간 제약을 다룰 때 확장성을 유지하는 것으로, 이러한 제약은 ASP의 그라운딩 병목을 크게 악화시킬 수 있다. 이 문제를 해결하기 위해, 우리는 선형 제약의 단순화된 형태인 차이 제약으로 ASP를 확장하여 시간 관련 측면을 외부적으로 처리한다. 우리의 접근 방식은 계량 ASP를 시간의 세밀도로부터 효과적으로 분리함으로써 시간 정밀도에 영향받지 않는 해결책을 제시한다.

원문 초록

We develop a computational approach to Metric Answer Set Programming (ASP) to allow for expressing quantitative temporal constraints, like durations and deadlines. A central challenge is to maintain scalability when dealing with fine-grained timing constraints, which can significantly exacerbate ASP's grounding bottleneck. To address this issue, we leverage extensions of ASP with difference constraints, a simplified form of linear constraints, to handle time-related aspects externally. Our approach effectively decouples metric ASP from the granularity of time, resulting in a solution that is unaffected by time precision.

요약

계량 정답 집합 프로그래밍(Metric ASP)에서 지속 시간·마감 기한 같은 정량적 시간 제약을 효율적으로 처리하기 위해, 메타 인코딩 기반의 계산적 접근법을 제안하며 차이 제약(difference constraints)으로 시간 관련 처리를 외부화한다. 이를 통해 그라운딩 병목 문제를 해소하고 시간 정밀도에 무관한 확장 가능한 구현을 달성하며, 치과 예약 시나리오·다중 에이전트 경로 탐색·작업 스케줄링 실험으로 검증한다.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2601.20735v2제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.21201v1cs.AI공통 태그 answer set programming, difference constraints

차분 제약을 포함한 답 집합 프로그래밍을 위한 Bound-founded 의미론: 예비 보고서

Bound-Founded Semantics for Answer Set Programming with Difference Constraints: Preliminary Report

선형 제약의 통합은 답 집합 프로그래밍(ASP)의 적용 범위를 크게 확장했지만, 기존 하이브리드 솔버들은 종종 통일된 논리적 기반이 부족한 이질적인 의미론적 토대에 의존한다. 우리는 Bound-founded Logic of Here-and-There(HTb)의 다중 정렬(many-sorted) 변형을 도입하여 이 공백을 해소하며, 선형 제약이 확장된 ASP의 다양한 대안 의미론 전반에 걸쳐 균형 모델(equilibrium models)을 특성화할 수 있는 다목적 프레임워크를 제공한다. 이 프레임워크를 차분 제약(difference constraints) 설정에 적용하고, clingo[DL]의 의미론적 특성화에 초점을 맞춘다. 우리 접근법의 핵심은 수치 변수에 대한 foundedness의 형식화이다. clingo[DL], clingcon, flingo와 같은 서로 다른 하이브리드 시스템이 제약 원자(constraint atoms)를 정당화하는 방식을 조사함으로써, 우리는 그들의 상이한 동작의 의미론적 뿌리를 밝혀낸다. 이 조사는 clingo[DL]와 같은 현재 시스템의 기초를 형식화할 뿐만 아니라 프로그램 단순화의 엄밀한 연구와 다양한 의미론적 원칙의 향후 통합을 촉진하는 단일하고 일관된 프레임워크를 산출한다.

arXiv:2412.07259v5cs.AI공통 태그 temporal reasoning공식 코드 · Papers with Code

매직 셋을 활용한 DatalogMTL의 목표 주도 추론

Goal-Driven Reasoning in DatalogMTL with Magic Sets

DatalogMTL은 시간적 추론(temporal reasoning)을 위한 강력한 규칙 기반 언어이다. 높은 표현력과 유연한 모델링 능력 덕분에 산업 및 금융 분야의 작업을 포함한 광범위한 응용에 적합하다. 그러나 높은 계산 복잡도로 인해 DatalogMTL에서의 실용적인 추론은 매우 어렵다. 이러한 어려움을 해결하기 위해, 우리는 DatalogMTL을 위한 새로운 추론 방법을 제안한다. 이 방법은 매직 셋(magic sets) 기법을 활용하는데, 이는 (비시간적) Datalog를 위해 개발된 재작성(rewriting) 기법으로 상향식 추론(bottom-up reasoning)으로 하향식 평가(top-down evaluation)를 시뮬레이션한다. 우리는 이 접근법을 구현하고 공개된 벤치마크에서 평가하였으며, 제안된 접근법이 최신 추론 기법들을 일관되고 유의미하게 능가함을 보였다.

arXiv:2610.15882v1cs.AI공통 태그 temporal reasoning

엔그램 주입: 매개변수 기반 언어 모델 메모리의 시간적 유효성에 관한 연구

Engram Injection: A Study of Temporal Validity in Parametric Language-Model Memory

저장된 사실은 사용자가 선호도를 변경하거나 새로운 사건이 이전 사건을 대체할 때 유효하지 않게 될 수 있습니다. 본 연구에서는 언어 모델이 파라미터 내에서 이러한 변화를 학습하고, 질문과 현재 시간만으로 올바르게 답할 수 있는지를 조사합니다. 엔그램 주입(Engram Injection)은 사실을 LoRA 어댑터에 저장하며, 동결된 Qwen2.5-3B-Instruct 모델에 FiLM 조건화를 통해 시계 정보를 제공합니다. 이를 가산적 시계 조건화, 날짜가 포함된 전체 기록을 활용한 프롬프팅, 날짜가 포함된 네 개의 기록을 검색하는 방식과 비교합니다. 테스트 대상 시점의 예제가 학습에 포함될 수 있었던 샘플러를 수정한 후, 세 가지 시드에 걸쳐 일치하는 6개의 어댑터를 학습시킵니다. 학습 감사 결과, 평가된 127,760개의 학습 입력 중 이러한 예제는 없었던 것으로 보고되었습니다. 업데이트 전후로 질문된 62쌍의 질문에 대해, 학습에서 제외된 7일 경과 시점에서 순서 코드 1을 고정한 주요 블라인드 어시스턴트 평가 결과 두 어댑터 방식 모두 0쌍을 맞혔습니다. 전체 기록 프롬프팅은 62쌍 중 59쌍을 올바르게 맞혔고, 검색 방식은 62쌍 중 62쌍을 맞혔습니다. 별도의 실험을 통해 어댑터가 사실을 저장할 수 있으며 탈착 가능한 메모리 유닛이 국소적 삭제를 지원할 수 있음을 보여줍니다. 사실 선택과 시간 기반 버전 선택을 결합하는 것은 여전히 실패 상태로 남아 있습니다. 이러한 결과는 사실을 학습하는 것과 이를 언제 사용해야 하는지 학습하는 것을 분리합니다.

arXiv:2609.40265v2cs.LG공통 태그 temporal reasoning

OpenTSLM TeeMoE: 시계열 예측, 문맥 조건부 예측 및 추론을 위한 통합 시계열 언어 모델

OpenTSLM TeeMoE: A Unified Time-Series Language Model for Forecasting, Contextual Prediction, and Reasoning

실제 환경의 시계열 애플리케이션에서는 시계열 예측, 문맥 조건부 예측, 그리고 언어 기반의 시간적 추론을 모두 처리할 수 있는 모델이 점점 더 많이 요구되고 있습니다. 그러나 현재의 시계열 파운데이션 모델들은 이러한 역량 전반에 걸쳐 여전히 파편화되어 있습니다. 수치 특화 모델은 흔히 가장 강력한 예측 성능을 제공하는 반면, 언어 기반 모델은 더 넓은 문맥 이해와 분석 기능을 제공합니다. 핵심 과제는 이러한 이종의 역량들을 각각의 성능 저하 없이 하나로 통합하는 것입니다. 본 논문에서는 관측된 시계열로부터 직접 예측을 수행하고, 텍스트 문맥과 시간적 패턴에 걸쳐 추론하며, 외부 수치 예측 전문 모델들의 예측값을 종합 및 정제할 수 있는 범용 시계열 언어 모델인 OpenTSLM TeeMoE를 소개합니다. 우리는 공유 백본 상에서 예측 종합, 자체 예측, 시간적 분석을 위한 세 개의 저순위(low-rank) 전문가를 독립적으로 학습합니다. 그런 다음 학습된 LoRA 전문가 혼합(MoE) 컨트롤러가 각 요청에 대해 고정된 이들의 매개변수 업데이트에 가중치를 부여합니다. 제안된 모델은 시계열 예측, 문맥 조건부 예측, 언어 기반 시간적 추론 분야의 널리 사용되는 벤치마크에서 우수한 성능을 달성하여, 평균 MASE 순위 기준 GIFT-Eval, RCRPS 기준 Context is Key, 정확도 기준 TimeSeriesExam에서 상위 3위 이내에 올랐습니다.

arXiv:2610.01249v1cs.AI공통 태그 temporal reasoning

동적 추론을 위한 수정 인지 독립 에이전트 그래프

Revision-Aware Independent Agent Graphs for Dynamic Reasoning

기존의 추론 프로토콜은 고정되고 사전 선택된 작업을 제시하므로 에이전트가 관련 업데이트를 전파하는지, 영향을 받지 않은 작업을 보존하는지, 또는 과거의 작업 바인딩을 재구성하는지 테스트할 수 없습니다. 따라서 우리는 이벤트 스트림이 작업 바인딩을 수정하고 시스템이 문제를 해결하기 전에 각 쿼리 시점에 유효한 문서 버전을 선택해야 하는 동적 작업 라우팅(dynamic task routing)을 연구합니다. 이 문제를 연구하기 위해 MMLU, MMLU-Pro, MedMCQA, MATH, GPQA, HumanEval 등 널리 사용되는 6개 벤치마크를 373,428개의 시간별 분류 쿼리로 구성된 31,119개의 동적 에피소드로 재구성합니다. 이러한 설정은 모든 이벤트 후에 재계산하는 것은 작업을 낭비하는 반면, 무분별한 재사용은 오래된 결론을 반환한다는 핵심적인 트레이드오프를 드러냅니다. 우리는 결정론적 시간 해석(temporal resolution)과 작업 추론을 분리하는 유계 다중 에이전트(multi-agent) 정책인 수정 인지 독립 에이전트 그래프(Revision-Aware Independent Agent Graph, RIAG)를 소개합니다. RIAG는 불변 문서 식별자(immutable document identity)를 기반으로 솔루션을 캐싱하고, 각각의 새로운 작업을 노출되지 않은 두 번의 시도로 시작하며, 문서 버전당 최대 4회의 호출을 사용하여 감사 및 수정을 조건부로 호출합니다. 이 컬렉션에서 동종(homogeneous) RIAG는 쿼리당 0.62회 호출로 54.24%의 결합 라우팅 및 답변 정확도를 달성하여 가장 강력한 비교 방법의 쿼리당 18.00회 호출 시 32.22%와 대비되며, 이종(heterogeneous) RIAG는 쿼리당 0.63회 호출로 49.78%에 도달합니다.

arXiv:2610.01595v1cs.CV공통 태그 temporal reasoning

사라지기 전에: 비디오 대규모 언어 모델(VideoLLM)에서 추론 시점 시간적 표현 강화

Before It Fades: Reinforcing Temporal Representations at Inference Time in VideoLLMs

비디오 대규모 언어 모델(VideoLLM)은 프레임을 순차적인 순서로 입력받아 시각적 콘텐츠가 시간 축을 따라 어떻게 전개되는지 해석하지만, 시간적 추론(temporal reasoning)은 다양한 아키텍처 전반에서 여전히 지속적인 약점으로 남아 있습니다. 시간적 답변을 뒤바꿔야 하는 변환인 비디오 프레임 순서 반전에도 불구하고 최종 예측이 바뀌지 않는 경우가 많습니다. 본 연구에서는 시간 순서를 반전시켰을 때 유도되는 층별 표현 차이인 시간적 발산 벡터(temporal divergence vector) $τ_l$를 정의하여 이러한 실패의 원인을 조사합니다. 여러 층에 걸쳐 이 벡터의 크기를 추적한 결과, 발산이 중간 층에서 정점에 도달한 뒤 출력 방향으로 가면서 점진적으로 감소하는 일관된 시간적 발산 프로파일이 나타남을 확인했습니다. 본 연구는 이 정점이 시간적 추론에 특화되어 있으며 예측에 기능적으로 중요하다는 점을 확인하여, VideoLLM이 중간 층에서는 시간적 정보를 획득하지만 출력까지 이를 유지하지 못한다는 사실을 규명했습니다. 이러한 점진적 소실에 착안하여, 각 입력에 대해 프로파일의 정점에서 $τ_l$를 추출한 후 측정된 감쇠에 따라 후속 층에 다시 주입하는 방법인 시간적 활성화 주입(Temporal Activation Injection, TAI)을 제안합니다. TAI는 학습이 필요하지 않으며, 비시간적 과제에 미치는 영향은 무시할 수 있는 수준으로 유지하면서 세 가지 VideoLLM과 네 가지 벤치마크 전반에서 시간적 추론을 일관되게 개선합니다. 코드는 https://github.com/Youngwoo-git/Before-It-Fades 에서 확인할 수 있습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.