3 Methodology我们提出ExE-LLM一种无需训练training-free的测试时自适应框架。该框架通过将图计算过程与语义推理解耦在缓解图结构信息与文本语义之间模态对齐问题的同时借助动态参数化机制提升模型的泛化能力。如图 2 所示对于给定查询ExE-LLM 综合利用局部查询上下文与全局时序知识图谱统计信息自适应生成推理阶段所需的超参数。在这些动态参数的指导下模型从多个图结构视角出发采用一种双向启发式模型对候选节点进行检索与排序并进一步将排序后的候选实体及显式图结构信号整合为结构化文本证据。随后将这些证据与动态选择的少样本示例共同构造成提示以引导大语言模型开展多证据联合推理。最后ExE-LLM 从错误预测中提取可复用的推理案例并维护一个动态案例库dynamic case library以支持后续查询的推理过程。3.1 Task-Aware Scheduler3.2 Heuristic Evidence Synthesizer From Implicit Graph Encoding to Explicit Evidence: A Training-Free LLM Framework for Temporal Knowl
3 Methodology我们提出ExE-LLM一种无需训练training-free的测试时自适应框架。该框架通过将图计算过程与语义推理解耦在缓解图结构信息与文本语义之间模态对齐问题的同时借助动态参数化机制提升模型的泛化能力。如图 2 所示对于给定查询ExE-LLM 综合利用局部查询上下文与全局时序知识图谱统计信息自适应生成推理阶段所需的超参数。在这些动态参数的指导下模型从多个图结构视角出发采用一种双向启发式模型对候选节点进行检索与排序并进一步将排序后的候选实体及显式图结构信号整合为结构化文本证据。随后将这些证据与动态选择的少样本示例共同构造成提示以引导大语言模型开展多证据联合推理。最后ExE-LLM 从错误预测中提取可复用的推理案例并维护一个动态案例库dynamic case library以支持后续查询的推理过程。3.1 Task-Aware Scheduler3.2 Heuristic Evidence Synthesizer