Répondre aux questions sur les connaissances temporelles par induction du raisonnement abstrait

Dans cette étude, nous abordons le défi de renforcer le raisonnement temporel dans les grands modèles linguistiques (LLM). Les LLM peinent fréquemment à effectuer cette tâche, ce qui conduit à des réponses inexactes ou trompeuses. Ce problème provient principalement de leur capacité limitée à gérer des connaissances factuelles en évolution et une logique temporelle complexe. Pour surmonter ces limitations, nous proposons le cadre de raisonnement abstrait induit (Abstract Reasoning Induction, ARI), qui divise le raisonnement temporel en deux phases distinctes : une phase indépendante des connaissances et une phase fondée sur les connaissances. Ce cadre fournit aux LLM un soutien en matière de connaissances factuelles tout en minimisant l’intégration de données bruyantes superflues. Par ailleurs, inspiré des principes du constructivisme, ARI confère aux LLM la capacité à mener un apprentissage proactif et autonome à partir à la fois d’exemples historiques de raisonnement corrects et incorrects. En enseignant aux LLM à construire activement des connaissances et des méthodes, ce cadre améliore significativement leurs capacités de raisonnement temporel. Notre approche obtient des améliorations remarquables, avec des gains relatifs de 29,7 % et 9,27 % sur deux jeux de données de questions-réponses temporelles, soulignant ainsi son efficacité dans l’avancement du raisonnement temporel des LLM. Le code est disponible à l’adresse suivante : https://github.com/czy1999/ARI-QA