Allen's interval algebra
PulseAugur coverage of Allen's interval algebra — every cluster mentioning Allen's interval algebra across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的概率艾伦代数通过不确定性扩展时间推理
研究人员开发了概率艾伦代数（PAA），这是艾伦区间代数的一个扩展，旨在处理时间不确定性。PAA 使用高斯分布来建模时间点，并使用高斯中点和截断高斯持续时间来建模区间。该框架通过从区间边界上的分布推导概率，而不是分配清晰的分数，来实现“大致在...期间”等分级时间关系。该系统已通过蒙特卡洛模拟得到验证，并可作为一个开源Python包使用。
-
新AI工具检测政治新闻中的时间虚假信息
研究人员开发了一种时间连贯性评分（TCS）方法，用于识别政治新闻中的时间不一致性，这是一种绕过传统假新闻检测器的虚假信息形式。TCS系统采用四阶段流程：提取时间事实、构建知识图谱、根据内部规则和Wikidata等外部来源进行验证，以及聚合带有解释的评分。该方法在包含注入错误的文章基准测试（100篇文章）上达到了0.909的精确率，并为标记的不一致性提供详细解释，以协助人工事实核查员。
-
新框架增强LLM时序推理评估
研究人员开发了新的框架，以更好地评估大型推理模型（LRM）的时序推理能力。一种方法TRACE，将时序推理建模为使用Allen区间代数的约束满足问题，从而实现细粒度的难度控制和基于迹的验证。另一种方法声明级可靠性评估（CLR），侧重于在推理过程中证伪关键声明，而不是验证整个过程，这可以减少令牌使用并提高准确性。这两种框架都旨在揭示传统基准可能忽略的推理缺陷，例如虚假猜测和与规模相关的故障模式。
-
新的QSTRBench基准测试评估LLM的时空推理能力
研究人员推出了QSTRBench，这是一个旨在评估大型语言模型定性时空推理能力的新基准测试。该基准测试包含多种演算，如点代数、Allen区间代数和区域连接演算，其中一些演算（如RCC-22）是首次发布。虽然当前前沿模型表现超出随机水平，但没有模型能够始终正确回答所有问题，不同演算之间的难度差异很大。