Newest papers

Temporal Evidence-Parameter Co-Alignment for LLM Reasoning over Temporal Knowledge Graphs

Jiapu Wang · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28176 · open-access PDF

Korean

대규모 언어 모델 (LLMs)은 정적 매개 변수 메모리가 실제 지식의 역동적 진화와 잘 맞지 않기 때문에 종종 시간에 기초한 추론에 어려움을 겪습니다. RAG 및 파라미터 효율적인 미세 조정 (PEFT)은 LLM을 향상시키는 실용적인 방법을 제공하지만 시간적 추론에 충분하지 않습니다. 기존의 검색 방법은 일반적으로 시간적 유효성, 이벤트 순서 및 진화적 의존성을 무시하면서 정적 관련성을 우선시합니다.

Machine translation (Meta M2M100); the English original follows.

Abstract

Large Language Models (LLMs) often struggle with temporally grounded reasoning because their static parametric memory is misaligned with the dynamic evolution of real-world knowledge. Although RAG and Parameter-Efficient Fine-Tuning (PEFT) provide practical ways to enhance LLMs, they remain insufficient for temporal reasoning. Existing retrieval methods typically prioritize semantic relevance while overlooking temporal validity, event order, and evolutionary dependencies, resulting in evidence that is relevant in isolation but temporally fragmented. Meanwhile, conventional PEFT methods usually

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange