TLM: Agenti LLM Consapevoli della Traiettoria per il Processo Decisionale Temporale
Uno studio recente disponibile su arXiv (2607.21625) presenta TLM (Trajectory Language Model), un framework agenziale progettato per il processo decisionale a partire da testi estesi e organizzati temporalmente utilizzando agenti basati su grandi modelli linguistici (LLM). I metodi tradizionali di retrieval-augmented generation (RAG) interrompono il contesto cronologico, trascurando la struttura temporale essenziale per un processo decisionale accurato. TLM migliora l'insieme di prove attraverso un feedback guidato da SHAP in modo iterativo. La sua innovazione tecnica significativa è un modello di curva di crescita latente (LGCM) applicato agli embedding dei chunk recuperati, che identifica tendenze di traiettoria, punti di svolta e lacune informative. Assumendo la calibrazione dello scorer, il processo di raffinamento iterativo aumenta costantemente la probabilità assegnata all'etichetta corretta. TLM è stato testato su tre dataset con ancoraggio temporale.
Fatti principali
- 1. Il paper arXiv 2607.21625 introduce TLM (Trajectory Language Model).
- 2. TLM è un framework agenziale a ciclo chiuso per il processo decisionale da testo strutturato temporalmente.
- 3. Le pipeline RAG standard frammentano il contesto cronologico, scartando la struttura temporale.
- 4. TLM raffina iterativamente le prove utilizzando feedback guidato da SHAP.
- 5. Contributo chiave: modello di curva di crescita latente (LGCM) sugli embedding dei chunk recuperati.
- 6. LGCM rileva tendenze di traiettoria, punti di svolta e lacune informative.
- 7. Sotto l'assunzione di calibrazione dello scorer, il raffinamento è monotonicamente non decrescente nella probabilità dell'etichetta corretta.
- 8. TLM valutato su tre dataset con ancoraggio temporale.
Entità
Istituzioni
- arXiv