TempReasoner: neurale temporale Graphnetzwerke zur Konstruktion von Ereigniszeitachsen

Warum Zeitachsen in einer Welt voller Ereignisse wichtig sind

Jeden Tag versinken Organisationen in zeitgestempelten Informationen: Nachrichtensignale, medizinische Akten, juristische Dokumente, Sensordaten und vieles mehr. Herauszufinden, was passiert ist, in welcher Reihenfolge und was was verursacht hat, ist überraschend schwer, besonders wenn Hinweise über viele Quellen verstreut sind. Dieses Paper stellt TempReasoner vor, ein System der künstlichen Intelligenz, das darauf ausgelegt ist, unübersichtliche, zeitbezogene Daten automatisch in klare, kohärente Ereigniszeitachsen zu verwandeln, denen Menschen vertrauen können.

Von verstreuten Daten zu einer Erzählung dessen, was geschehen ist

Die meisten realen Daten kommen nicht als saubere Chronologie an. Ein Gerichtsverfahren kann sich über Jahre von Schriftsätzen, E-Mails und Zeugenaussagen erstrecken; ein Krankheitsausbruch kann in Laborbefunden, Krankenhausnotizen und Presseberichten dokumentiert sein. TempReasoner begegnet dem, indem jede Erwähnung eines Ereignisses als Knoten in einem Graphen behandelt wird, verbunden durch Beziehungen, die erfassen, wann Ereignisse auftreten und wie sie zueinander stehen. Es liest Rohtexte oder strukturierte Aufzeichnungen, extrahiert Ereignisbeschreibungen und Zeitmarker und bettet diese in numerische Vektoren ein, die sowohl Bedeutung (was passiert ist) als auch Zeitlichkeit (wann es passiert ist) erfassen. Das System ist so konzipiert, dass es über viele Domänen hinweg funktioniert – von Politik und Recht bis zu Medizin und Technik – ohne für jedes Gebiet neu geschrieben werden zu müssen.

Zeit aus vielen Blickwinkeln gleichzeitig betrachten

Eine zentrale Idee von TempReasoner ist, dass Zeit nicht für alle Fragen gleich betrachtet werden kann. Manche Fragestellungen drehen sich um Minuten oder Stunden – etwa ob eine Medikamentengabe vor einer Reaktion erfolgte –, andere hängen von Monaten oder Jahren ab, wie das Anwachsen zu einer diplomatischen Krise. TempReasoner verwendet „multiskalige“ temporale Aufmerksamkeit, um Muster gleichzeitig auf mehreren Zeitauflösungen zu erkennen. Es kodiert fein granulare Signale (etwa Minuten- oder Tagebene) und grobe Trends (Monate oder Jahre) getrennt und verbindet sie dann, sodass das Modell kurzfristige Wendungen gegen langfristige Entwicklungen abwägen kann. Praktisch bedeutet das, dass das System schnelle Entwicklungen verfolgen kann, wie eine Sequenz von Trades auf einem Finanzmarkt, und zugleich breitere Handlungsstränge versteht, etwa das schrittweise Eskalieren von Spannungen zwischen Staaten.

Eine lebendige Karte von Ereignissen aufbauen und verfeinern

Anstatt sich auf einen festen Satz von Verbindungen zwischen Ereignissen zu verlassen, lernt TempReasoner fortlaufend, wie Ereignisse verbunden sein sollten, und aktualisiert diese Verbindungen. Sein adaptives Graphkonstruktionsmodul schätzt, wie ähnlich sich zwei Ereignisse in der Bedeutung sind und wie nahe sie zeitlich liegen, und entscheidet dann, wie stark sie verknüpft werden. Auf diesem sich entwickelnden Netzwerk kombiniert ein hierarchischer Encoder zwei Typen von Prozessoren: ein rekurrentes Netzwerk, das bei Schritt-für-Schritt-Sequenzen besonders leistungsfähig ist, und einen transformer-ähnlichen Aufmerksamkeitsmechanismus, der über lange Zeiträume springen kann, um entfernte, aber zusammenhängende Ereignisse zu verbinden. Ein spezialisierter „Konsistenzverlust“ bewegt das Modell dazu, offensichtliche Widersprüche zu vermeiden – zum Beispiel zu verhindern, dass ein bekanntermaßen später auftretendes Ereignis früher auf der Zeitachse platziert wird – und erlaubt gleichzeitig Unsicherheit, wenn die Daten vage oder widersprüchlich sind.

Das System lehren, verwirrende Situationen zu lösen

Reale Daten sind unordentlich: Zeitangaben wie „kurz danach“ oder „ungefähr zur gleichen Zeit“ sind mehrdeutig, und unterschiedliche Quellen können widersprüchliche Angaben machen. Um damit umzugehen, ergänzt TempReasoner eine Schicht des Reinforcement Learning, die wie ein entscheidungsfindender Agent agiert. Nachdem das Hauptmodell einen Entwurf der Zeitachse vorgeschlagen hat, experimentiert dieser Agent mit kleinen Änderungen – Ereignisse neu anordnen, fehlende Verbindungen einfügen oder Beziehungen anpassen – und wird belohnt, wenn die finale Zeitachse genauer und logisch konsistenter ist. Über viele solche Versuche hinweg lernt er Strategien zum Entwirren schwieriger Fälle, etwa die Rekonstruktion der Reihenfolge medizinischer Prozeduren aus unvollständigen Notizen oder das Abgleichen widersprüchlicher Presseberichte über sich schnell entwickelnde Krisen.

Wie gut es funktioniert und wo es eingesetzt werden kann

Die Autor:innen testeten TempReasoner an fünf bekannten Datensätzen, die politische Ereignisse, Nachrichten und linguistisch annotierte Zeitachsen abdecken. Das System erreichte 94,3 % Genauigkeit bei der Reihenfolgebestimmung von Ereignissen und übertraf damit eine Reihe spezialisierter Konkurrenten, während es zugleich schnell genug für den Einsatz in nahezu Echtzeit lief – etwa 127 Millisekunden pro Ereignissequenz. Es generalisierte zudem gut über Domänen hinweg: Ein Modell, das auf juristischen Daten trainiert wurde, konnte sich mit nur moderatem Fine-Tuning an biomedizinische Aufzeichnungen oder Nachrichten anpassen. Für leichtere Einsatzszenarien, etwa Edge-Geräte oder kleinere Server, bietet eine abgespeckte Version namens TempReasoner-Lite den Großteil der Genauigkeit bei deutlich geringerem Rechenaufwand.

Was das für Anwendungen im Alltag bedeutet

Kurz gesagt ist TempReasoner ein Werkzeug, um Berge zeitgestempelter Fakten in lesbare, verlässliche Erzählungen darüber zu verwandeln, was passiert ist und warum. In der Rechtswissenschaft könnte es Ermittlern helfen, Fallzeitlinien aus Tausenden von Dokumenten zusammenzusetzen. Im Gesundheitswesen könnte es die Abfolge von Behandlungen und Ergebnissen in komplexen Patientenhistorien klären. Für Journalist:innen und Analyst:innen könnte es die Faktenprüfung unterstützen, indem es Berichte angleicht und Inkonsistenzen hervorhebt. Die Autor:innen weisen darauf hin, dass das System bei sehr vager Sprache und sehr langen Zeitachsen noch Probleme hat und betonen die Notwendigkeit menschlicher Aufsicht, insbesondere in risikoreichen Kontexten. Dennoch stellt TempReasoner einen bedeutenden Schritt in Richtung KI dar, die nicht nur Ereignisse erkennt, sondern auch versteht, wie sie sich im Zeitverlauf entfalten und dabei mit menschlichem Denken übereinstimmen.

Zitation: Aldawsari, M. TempReasoner: neural temporal graph networks for event timeline construction. Sci Rep 16, 4985 (2026). https://doi.org/10.1038/s41598-026-35385-w

Schlüsselwörter: zeitliches Schließen, Ereigniszeitachsen, Graph Neural Networks, Wissensgraphen, Deep Learning