arXiv:2610.15712v1 cs.CL

TL;QR: 텍스트 말뭉치에서 시간에 따른 담화 패턴 질의하기

TL;QR: Querying Temporal Discursive Patterns in Textual Corpora

François Hublet, Vladimir Krsmanovic, Jesus Solano, Ahmed Bouhoula, Ana Oliveira da Costa

제출 2026-10-11

한국어 초록

대규모 텍스트 말뭉치에 대한 많은 질문은 시간에 따라 전개되는 패턴과 관련이 있습니다. 예를 들어 수년간의 토론에 걸쳐 특정 주제에 대한 정치 집단의 입장이 지지에서 비판으로 점진적으로 변화하는 경우가 이에 해당합니다. 본 논문에서는 이러한 시계열 담화 패턴을 찾기 위한 선언적 질의 언어이자 오픈소스 엔진인 TL;QR(Too Long; Query with logical temporal Reasoning)을 제시합니다. TL;QR에서 단일 쿼리는 대규모 언어 모델(LLM)이 진위를 판별하는 자연어 술어(predicate)와 정규 표현식, 그리고 시제 논리(temporal logic) 연산자를 결합합니다. LLM은 개별 텍스트 구절에 대한 국소적 질문에만 답하며, 이후 심볼릭 엔진이 시간에 따라 이러한 판단들을 종합하고 모든 일치 결과를 해당 결과의 바탕이 된 기록 구절 및 술어 판단과 연결합니다. 이러한 역할 분담을 통해 긴 시간 지평에서도 시간적 및 관계적 추론이 정확하고 감사 가능한 상태로 유지됩니다. 또한 쿼리에 정규 표현식 사전 필터가 포함된 경우 말뭉치의 극히 일부분만 LLM에 전달됩니다. 시간적 및 의미론적으로 복잡한 패턴을 포함하는 제어된 합성 벤치마크 평가에서, TL;QR은 LLM 전용 베이스라인보다 실질적으로 훨씬 더 정확했습니다. 10년간의 유럽 의회 토론(442,593개의 다국어 연설)을 다룬 사례 연구에서, TL;QR은 GDPR 개인정보 보호 규정에 대한 정치 집단들의 입장 변화 후보들을 성공적으로 식별합니다.

원문 초록

Many questions about large textual corpora concern patterns that unfold over time, such as a political group whose stance on a topic drifts from support to criticism over several years of debates. We present TL;QR (Too Long; Query with logical temporal Reasoning), a declarative query language and open-source engine for finding such temporal discursive patterns. In TL;QR, a single query combines natural-language predicates, whose truth is judged by a Large Language Model (LLM), with regular expressions and the operators of a temporal logic. The LLM answers only local questions about individual text passages; a symbolic engine then aggregates these judgments over time and links every match to the recorded passages and predicate decisions behind it. With this division of labor, the temporal and relational reasoning stays exact and auditable even over long time horizons. In addition, when a query includes a regular-expression pre-filter, only a small fraction of the corpus ever reaches the LLM. On a suite of controlled synthetic benchmarks with temporally and semantically complex patterns, TL;QR is substantially more accurate than LLM-only baselines. In a case study on ten years of European Parliament debates (442,593 multilingual speeches), TL;QR identifies candidate shifts in the political groups' stances on the GDPR privacy regulation.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.15712v1

함께 살펴볼 논문

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

arXiv:2607.20560v1cs.LG공통 태그 temporal logic

Chronofy: 시간 인식 검색-증강 생성에서 정보 유효성을 위한 시간-논리 감쇠 아키텍처

Chronofy: A Temporal-Logical Decay Architecture for Information Validity in Time-Aware Retrieval-Augmented Generation

검색-증강 생성(RAG) 시스템은 대규모 언어 모델(LLM) 출력을 그라운딩하기 위해 외부 지식을 검색하고 통합한다. 그러나 현재 RAG 아키텍처는 시간적 출처와 관계없이 검색된 모든 사실을 동등하게 유효한 것으로 취급하여, 그럴듯하지만 구식인 사실이 출력을 오염시키는 시간적 환각(temporal hallucination)을 초래한다. 어제의 임상 검사 결과는 실행 가능하지만, 6개월 전의 동일한 검사 결과는 노이즈이다. 우리는 시간적 유효성을 RAG 시스템의 표현, 검색, 추론 층에 직접 내재화하는 시간-논리 감쇠 아키텍처(TLDA)를 구현하는 3층 신경-기호 프레임워크인 Chronofy를 제안한다. 층 1은 Matryoshka 임베딩 내에 전용 시간 부공간을 확보하여 사실의 시점이 표현에서 구조적으로 제거될 수 없도록 한다. 층 2는 그래프 기반 검색에 학습 가능한 지수 감쇠 함수를 통합하며, 여기서 감쇠 계수 $β_j$는 잠재 과정의 평균 회귀(mean-reversion)율의 2배에 대한 근사로서 베이지안 의사결정 이론에 기반한다. 층 3은 Signal Temporal Logic(STL) 견고성(robustness) 함수를 적용하여 LLM 출력 신뢰도가 아닌 검색된 지식의 시간적 유효성을 평가하고, 가능론적 최약 고리(weakest-link) 원칙을 적용하여 추론 사슬에서 가장 많이 감쇠된 증거에 의해 출력 신뢰도를 제한한다. 우리는 시간적 지식 그래프 예측 벤치마크, TimE 시간 QA 벤치마크, 도메인 특화 민감도 분석에서 Chronofy를 평가하였으며, 명시적 시간 감쇠 모델링이 검색 정밀도를 향상시키고 시간적 환각을 줄이며, 시간적 맥락이 불충분할 때 원칙적인 데이터 재획득 트리거를 가능하게 함을 보여준다.

arXiv:2607.10918v1cs.AI공통 태그 temporal logic

불확실성이 있는 시연으로부터 선형 시제 명세 학습

Learning Linear Temporal Specifications from Demonstrations with Uncertainty

시스템 시연으로부터 시제 논리 명세를 학습하는 것은 특히 안전 필수 도메인에서 형식 검증 및 제어기 합성과 같은 작업에 필수적입니다. 기존 접근법은 일반적으로 시연이 올바르거나 분류 오류에만 영향을 받는다고 가정합니다. 그러나 실제로는 센서 결함, 측정 오류, 또는 데이터 손실로 인해 시스템 트레이스가 종종 불확실하거나 불완전합니다. 우리는 불확실성이 있는 시연으로부터 최소 선형 시제 논리(LTL) 공식을 학습하는 프레임워크를 제시합니다. 우리의 접근법은 해밍 거리(Hamming distance)를 통해 불확실성을 모델링하여 각 관측 트레이스 주변의 가능한 추정치를 생성하고, 이를 학습된 공식과 일치하는 트레이스가 그룹당 최소 하나 이상 존재해야 한다는 제약 조건과 함께 그룹화합니다. 이후 문제는 동치인 의사 불리언 최적화(Pseudo-Boolean Optimization)로 환원됩니다. 우리는 최신 LTL 학습 접근법들과 비교하여 우리의 방법을 평가하고, 불확실성 하에서 실제 공식과 더 밀접하게 일치하는 명세를 복원함을 보입니다.

arXiv:2606.14130v2cs.LG공통 태그 temporal logic

Contract-Based Compositional Shielding for Safe Multi-Agent Reinforcement Learning

다중 에이전트 강화학습에서 어떤 에이전트도 단독으로 전역 안전성을 보장할 수 없을 때 안전한 조율 문제가 발생한다. 즉, 한 에이전트의 행동 허용 여부가 다른 에이전트들의 동역학에 따라 달라질 수 있다. 분산형 실드(shield)는 런타임에 안전성을 강제할 수 있지만, 순수하게 인수분해된 권한은 조율을 통해서만 안전한 최적 팀 행동을 종종 배제한다. 본 연구에서는 분산 실행 환경에서 학습되고 배포되는 에이전트에 대한 결정론적 안전성 보장을 탐구하며, 중앙 집중식 런타임 제어 없이 팀 최적 안전 행동을 복원한다. 에이전트들은 선형 시제 논리(Linear Temporal Logic)의 안전성 부분($\mathsf{LTL}_{\mathsf{safe}}$)에서 공유 전역 명세 $\varphi$를 가지며, 그 결합이 전역 명세 $\varphi$를 함의하는 지역 $\mathsf{LTL}_{\mathsf{safe}}$ 의무들의 튜플 중에서 선택한다. 전체 계약 튜플이 동시에 인증되고 지역 행동 마스크로 투영될 수 있으므로, 각 에이전트는 다른 에이전트들의 지역 의무를 가정으로 활용할 수 있다. 학습 시에는 비정상(non-stationary) 다중 팔 밴딧(multi-armed bandit)이 지역 $\mathsf{LTL}_{\mathsf{safe}}$ 의무 라이브러리 중에서 종단 간 안전성을 포기하지 않으면서 팀 보상을 최적화하는 튜플을 선택한다. 본 접근법을 6개의 환경과 15개의 알고리즘 변형에 걸쳐 평가한다.

arXiv:2607.02959v1cs.CV공통 태그 temporal logic

장시간 비디오 질의응답을 위한 비전-언어 모델의 검색 행동 유도

Incentivizing Vision Language Models to Search for Long Video Question Answering

우리는 장시간 비디오 질의응답(LVQA)을 수동적인 단일 패스 인식 작업에서 다중 턴 검색 프로세스로 전환하는 에이전트 프레임워크 VSeek을 소개한다. VSeek은 자연어 기반 검색을 활용하여 장시간 비디오 내 관련 컨텍스트를 식별하고, 강화학습(RL)을 통한 사후 학습으로 LVQA를 위해 목표 검색 쿼리를 공동으로 생성하고 검색된 클립을 추론한다. RL 사후 학습은 수학 및 코드와 같은 기호적 영역의 추론을 혁신했지만, 장시간 비디오 이해에의 적용은 검증된 보상의 부재로 인해 제약을 받아왔다. 검색된 컨텍스트의 관련성을 보장하기 위해, 우리는 개방형 자연어와 이산적 시각 검증을 연결하는 새로운 신경-기호 접근법을 제안한다. 구체적으로, 복잡한 사용자 쿼리를 형식적 시간 논리 명세로 컴파일하여 자연어 질문을 주요 객체 및 활동과 그 시간적 순서 등 필수 원자적 시각 기본 요소들의 명확한 체크리스트로 체계적으로 분해한다. 이렇게 체계적으로 도출된 그라운딩 이벤트는 RL 사후 학습을 위한 핵심 피드백 신호를 제공하며, 결과 정확도에만 의존하지 않고 특정 시각 요소의 성공적인 검색에 기반한 밀도 있고 검증 가능한 보상을 가능하게 한다. 이러한 검증 가능한 증거 탐색 행동을 명시적으로 최적화함으로써, VSeek은 기반 모델 대비 장시간 비디오 이해 벤치마크에서 Pass@1 점수를 최대 8%, Pass@4 점수를 15% 향상시킨다. 코드는 https://utaustin-swarmlab.github.io/VSeek 에서 오픈소스로 공개한다.

arXiv:2607.02599v1cs.SE공통 태그 temporal logic

AgentLTL: 도구 사용 LLM 에이전트의 절차적 준수를 측정, 강제 및 학습시키기 위한 트레이스 검증 프레임워크

AgentLTL: A Trace-Verification Framework for Measuring, Enforcing, and Training Procedural Compliance in Tool-Using LLM Agents

도구를 사용하는 대규모 언어 모델(LLM) 에이전트는 일반적으로 최종 답변의 정확성 또는 LLM 판정자(judge)로 평가된다. 그러나 두 방식 모두 답변이 어떻게 생성되었는지는 포착하지 못한다. 안전이 중요한 환경에서는 절차 자체가 정확성의 일부다. 본 논문에서는 1차 선형 시제 논리(FO-LTL, First-Order Linear Temporal Logic)에서 파생된 언어인 AgentLTL을 소개한다. AgentLTL은 에이전트 트레이스(trace)에 대한 절차적 규칙을 표현하며, 결정론적이고 판정자 없는 준수 점수를 산출한다. 이 프레임워크에서 단일 명세(specification)는 두 가지 용도로 활용된다. 첫째는 하네싱(harnessing)으로, 제약 조건이 완료된 트레이스의 점수를 매기거나, 실행 전에 각 접두 문맥을 온라인으로 검사하여 도구 호출을 차단한다. 둘째는 파인튜닝(fine-tuning)으로, 점수가 밀집 보상(dense reward)으로 활용된다. 순서, 분기, 반복, 그라운딩(grounding)을 아우르는 벤치마크에서, 차단 및 경고(block-and-warn) 하네싱은 7개 모델 중 5개에서 준수율을 향상시켰다. 동일한 보상을 활용한 파인튜닝은 미확인 도구 이름 별칭(alias)을 포함한 홀드아웃(held-out) 패턴에서 정확도와 준수율을 각각 38 및 17.5 퍼센트 포인트 향상시켰다. 이러한 결과는 모델이 표면적인 도구 이름과 절차를 암기하는 것이 아니라 절차적 구조를 습득하고 있다는 해석과 일치한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.