TempReasoner : réseaux neuronaux de graphes temporels pour la construction de chronologies d'événements

Pourquoi les chronologies comptent dans un monde d'événements constants

Chaque jour, les organisations sont submergées d'informations horodatées : alertes d'actualité, dossiers médicaux, documents juridiques, journaux de capteurs et bien d'autres. Comprendre ce qui s'est passé, dans quel ordre et ce qui a causé quoi est étonnamment difficile, surtout lorsque les indices sont dispersés sur de nombreuses sources. Cet article présente TempReasoner, un système d'intelligence artificielle conçu pour transformer automatiquement des données temporelles désordonnées en chronologies d'événements claires et cohérentes auxquelles les humains peuvent se fier.

Des données éparses à une histoire de ce qui s'est passé

La plupart des données du monde réel n'arrivent pas sous forme d'une chronologie propre. Une affaire judiciaire peut s'étendre sur des années de dépôts, d'e-mails et de déclarations de témoins ; une épidémie peut être consignées dans des résultats de laboratoire, des notes d'hôpital et des articles de presse. TempReasoner aborde cela en traitant chaque mention d'un événement comme un nœud dans un graphe, connecté par des relations qui capturent quand les événements ont lieu et comment ils se rapportent. Il lit du texte brut ou des enregistrements structurés, extrait les descriptions des événements et leurs repères temporels, et les intègre dans des vecteurs numériques qui rendent compte à la fois du sens (ce qui s'est passé) et du moment (quand cela s'est produit). Le système est conçu pour fonctionner dans de nombreux domaines, de la politique et du droit à la médecine et à l'ingénierie, sans réécriture par secteur.

Regarder le temps sous plusieurs angles à la fois

Une idée centrale de TempReasoner est que le temps n'est pas universel. Certaines questions dépendent de minutes ou d'heures — par exemple si une dose de médicament a été administrée avant une réaction — tandis que d'autres reposent sur des mois ou des années, comme l'escalade menant à une crise diplomatique. TempReasoner utilise une attention temporelle « multi-échelle » pour voir des motifs à plusieurs résolutions temporelles simultanément. Il encode séparément des signaux fins (par exemple au niveau de la minute ou du jour) et des tendances grossières (mois ou années), puis les fusionne afin que le modèle puisse pondérer des variations à court terme par rapport à des arcs à long terme. En pratique, cela permet au système de suivre des évolutions rapides, comme une suite de transactions sur un marché financier, tout en comprenant les récits plus larges, tels que l'escalade progressive des tensions entre pays.

Construire et affiner une carte vivante des événements

Plutôt que de s'appuyer sur un ensemble fixe de liens entre événements, TempReasoner apprend en continu et met à jour la façon dont les événements doivent être connectés. Son module de construction de graphe adaptatif estime à la fois la similarité sémantique entre deux événements et leur proximité temporelle, puis décide de la force de leur lien. Sur ce réseau évolutif, un encodeur hiérarchique combine deux types de processeurs : un réseau récurrent excellent pour suivre des séquences pas à pas et un mécanisme d'attention de type transformeur capable de sauter au travers de longues périodes pour relier des événements éloignés mais liés. Une « perte de cohérence » spécialisée incite le modèle à éviter des contradictions évidentes — par exemple empêcher qu'un événement connu comme survenant plus tard soit placé plus tôt dans la chronologie — tout en permettant de l'incertitude lorsque les données sont vagues ou contradictoires.

Apprendre au système à résoudre des situations confuses

Les données réelles sont désordonnées : des expressions temporelles comme « peu après » ou « à peu près au même moment » sont ambiguës, et différentes sources peuvent diverger. Pour gérer cela, TempReasoner ajoute une couche d'apprentissage par renforcement qui agit comme un agent de prise de décision. Après que le modèle principal propose une ébauche de chronologie, cet agent expérimente de légers ajustements — réordonner des événements, insérer des liens manquants ou corriger des relations — et est récompensé lorsque la chronologie finale est plus précise et logiquement consistante. Au fil de nombreux essais, il apprend des stratégies pour démêler des cas difficiles, comme reconstruire l'ordre des interventions médicales à partir de notes partielles ou aligner des comptes rendus contradictoires sur une crise rapide.

Performance et domaines d'application

Les auteurs ont testé TempReasoner sur cinq jeux de données bien connus couvrant des événements politiques, l'actualité et des chronologies annotées linguistiquement. Le système a atteint 94,3 % de précision dans l'ordonnancement des événements, surpassant une gamme de concurrents spécialisés, tout en restant suffisamment rapide pour un usage quasi temps réel — environ 127 millisecondes par séquence d'événements. Il a également bien généralisé entre domaines : un modèle entraîné sur des données juridiques pouvait s'adapter à des dossiers biomédicaux ou à l'actualité avec un réglage fin modeste. Pour des contextes plus légers, comme des appareils en périphérie ou de plus petits serveurs, une version allégée appelée TempReasoner-Lite offre la plupart des performances avec des besoins de calcul sensiblement réduits.

Ce que cela signifie pour les usages quotidiens

En termes simples, TempReasoner est un outil pour transformer des piles de faits horodatés en récits lisibles et fiables sur ce qui s'est passé et pourquoi. En droit, il pourrait aider les enquêteurs à reconstituer la chronologie d'une affaire à partir de milliers de documents. En santé, il pourrait clarifier la séquence des traitements et des résultats dans des historiques de patients complexes. Pour les journalistes et les analystes, il pourrait faciliter la vérification des faits en alignant les comptes rendus et en mettant en évidence les incohérences. Les auteurs notent que le système a encore des difficultés avec un langage extrêmement vague et des chronologies très longues, et ils insistent sur la nécessité d'une supervision humaine, surtout dans des contextes à fort enjeu. Néanmoins, TempReasoner représente une avancée importante vers une IA qui non seulement reconnaît les événements, mais comprend aussi comment ils se déroulent dans le temps d'une manière conforme au raisonnement humain.

Citation: 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

Mots-clés: raisonnement temporel, chronologies d'événements, réseaux de neurones sur graphes, graphes de connaissances, apprentissage profond