🤖 AI

Trajectory-Aware Retrieval Agents for Temporal Decision- Making

Dit artikel introduceert TLM, een closed-loop agentic framework dat latent growth curve modellen toepast op opgehaalde embeddings om de temporele structuur te behouden en bewijslast iteratief te verfijnen, waardoor het standaard retrieval-augmented benaderingen in temporeel gegronde besluitvormingstaken zoals medische diagnose en financiële voorspelling aanzienlijk overtreft.

Oorspronkelijke auteurs: Jing Wang, Jie Shen, Xing Niu

Gepubliceerd 2026-07-27

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jing Wang, Jie Shen, Xing Niu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een mysterie probeert op te lossen, maar in plaats van één enkele aanwijzing, heb je een enorme, chaotische stapel aantekeningen van een detective die deze over meerdere jaren heeft geschreven. Sommige aantekeningen beschrijven het begin van de zaak, andere het midden, en weer andere het echte einde. Als je willekeurig een handvol van deze aantekeningen pakt en een superintelligente robot vraagt om het mysterie op te lossen, kan de robot in de war raken. Het kan een aanwijzing uit 1990 door elkaar halen met een aanwijzing uit 2024, of de factor missen dat het gedrag van een verdachte langzaam veranderde. Dit is het probleem waar wetenschappers voor staan wanneer ze proberen Kunstmatige Intelligentie (AI) te gebruiken om beslissingen te nemen op basis van lange verhalen, zoals medische dossiers of beursrapporten. De AI is geweldig in lezen, maar vergeet vaak wanneer dingen gebeurden.

Om dit op te lossen, bouwen onderzoekers "agenten" — AI-systemen die kunnen denken, informatie kunnen zoeken en vervolgens kunnen beslissen. Een veelgebruikte tool die ze hiervoor gebruiken, heet Retrieval-Augmented Generation (RAG). Denk aan RAG als een bibliothecaris die naar de planken rent om boeken te vinden die bij je vraag passen, ze terugbrengt en ze aan de AI overhandigt. Het probleem is dat standaardbibliothecarissen alleen boeken pakken die qua woorden op elkaar lijken, waarbij ze de tijdlijn van het verhaal binnenin negeren. Ze kunnen je een pagina uit het einde van een roman geven voordat ze de pagina geven waar het personage verliefd wordt. Dit artikel introduceert een nieuwe manier om de AI te helpen het verhaal van de data te begrijpen, niet alleen de woorden. Het behandelt de informatie als een filmrol, waarbij het kijkt hoe het plot zich voortbeweegt, plotselinge wendingen opspoort en ontbrekende scènes invult, alles om betere voorspellingen over de toekomst te doen.

Het Verhaal van de "Traject"-detective

De onderzoekers achter dit artikel, Jing Wang, Jie Shen en Xing Niu, merkten op dat standaard AI-tools slecht zijn in het omgaan met tijd. Als je een normale AI vraagt om te voorspellen wat er hierna zal gebeuren op basis van de medische geschiedenis van een patiënt of de kwartaalcijfers van een bedrijf, behandelt de AI de informatie vaak als een zak vol knikkers. Het pakt de "belangrijke" knikkers (zinnen) eruit, maar negeert de volgorde waarin ze zijn opgepakt. In de echte wereld doet tijd ertoe. Een stijgende koorts van een patiënt over drie dagen is een ander verhaal dan een koorts die piekt en daarna weer daalt. De toon van een CEO die verandert van zelfverzekerd naar nerveus tijdens een gesprek, is een cruciale aanwijzing die verloren gaat als je de zinnen simpelweg uit volgorde leest.

Om dit op te lossen, bouwde het team een nieuw systeem genaamd TLM (Trajectory Language Model). Je kunt TLM zien als een detective die niet alleen het dossier leest, maar ook de film van het dossier bekijkt.

Stap 1: De Slimme Zoektocht
Eerst fungeert TLM als een hybride bibliothecaris. Het gebruikt twee methoden om aanwijzingen te vinden: één die zoekt naar exacte woordovereenkomsten (zoals het zoeken naar een specifieke naam) en één die zoekt naar de "vibe" of de betekenis van de woorden. Het pakt een paar eerste pagina's uit het document om te beginnen.

Stap 2: De Groeicurve (De "Filmrol"-truc)
Dit is de grote magische truc van het artikel. In plaats van alleen de pagina's te lezen, kijkt TLM naar de vorm van het verhaal. Het gebruikt een wiskundig hulpmiddel genaamd een Latent Growth Curve Model (LGCM). Stel je voor dat je een plant ziet groeien. Je kijkt niet alleen naar de plant op dinsdag en de plant op vrijdag; je kijkt naar de lijn die hen verbindt. Groeit de plant gestaag? Verwelkt hij? Is de groei plotseling gestopt?
TLM doet dit met tekst. Het verandert de zinnen in een lijn op een grafiek.

Trend: Wordt het verhaal beter, slechter of blijft het gelijk?
Kantelpunten: Is het verhaal plotseling van richting veranderd? (Zoals een patiënt die verslechtert nadat hij zich beter voelde).
Gaten: Is er een pauze in het verhaal? (Zoals een ontbrekende dag in een dagboek).
Als TLM een "gat" in het verhaal ziet, weet het dat het terug moet naar de bibliotheek om de ontbrekende pagina's te vinden om het gat te vullen.

Stap 3: De "SHAP"-scorekaart
Zodra TLM een stapel aanwijzingen heeft verzameld, moet het beslissen welke het belangrijkst zijn. Het gebruikt een methode genaamd SHAP, wat lijkt op een spel waarbij elke zin een score krijgt voor hoeveel het heeft geholpen het puzzelstukje op te lossen. TLM gebruikt een kleine, snelle "scorer"-robot om deze berekeningen snel uit te voeren. Als een zin super belangrijk is, gebruikt TLM deze om de bibliothecaris om meer gerelateerde aanwijzingen te vragen. Cruciaal is dat TLM nooit een aanwijzing die het al gevonden heeft weggooit; het voegt alleen nieuwe zaken toe. Dit zorgt ervoor dat het verhaal steeds rijker wordt, en nooit armer.

Stap 4: De Definitieve Beslissing
Ten slotte voert TLM dit georganiseerde, tijdsbewuste verhaal aan een grote AI-hersenen (een Large Language Model) om de definitieve beslissing te nemen. Omdat het verhaal nu geordend en compleet is, kan de AI een veel slimmere gok doen.

Wat Ze Vonden

Het team testte deze nieuwe detective op drie zeer verschillende soorten mysteries:

Medische Vragen: Ze vroegen het systeem om moeilijke medische vragen te beantwoorden op basis van de medische geschiedenis van patiënten. De standaard AI (zonder TLM) had ongeveer 34,6% van de antwoorden goed. Het nieuwe TLM-systeem had er 64,2% goed. Dat is bijna het dubbele van het succespercentage! Het artikel suggereert dat dit komt omdat medische verhalen volledig draaien om hoe een patiënt in de loop van de tijd verandert, en TLM is de enige die het patroon opmerkte.
Earnings Calls: Ze probeerden te voorspellen of het aandeel van een bedrijf zou stijgen of dalen na een toespraak van een CEO. Dit is berucht moeilijk omdat de aandelenmarkt erg slim is en direct reageert. De standaard AI was nauwelijks beter dan gokken (ongeveer 50,7%). TLM verbeterde dit naar 58,0%. Hoewel dat niet als een enorme sprong klinkt, is het in de wereld van de financiën een grote zaak om de markt zelfs maar een klein beetje te verslaan.
Aandelenkloven: Ze probeerden te voorspellen of een aandelenprijs de volgende ochtend omhoog of omlaag zou springen. Ze simuleerden een handelsspel beginnend met $10.000. De standaard AI eindigde op $12.067. TLM, door trends beter te spotten, liet het geld groeien naar $20.400.

De Conclusie

Het artikel laat zien dat wanneer je een AI een manier geeft om de vorm van een verhaal door de tijd heen te begrijpen, het een veel betere detective wordt. Door wiskunde te gebruiken om trends te volgen en ontbrekende stukken in te vullen, leest TLM niet alleen de woorden; het begrijpt de reis. De auteurs benadrukken dat dit geen toverstaf is die alles oplost — het werkt het beste wanneer de informatie een duidelijke tijdlijn heeft, en het moet nog in meer echte situaties worden getest. Maar voor nu bewijst het dat als je wilt dat een AI goede beslissingen neemt over de toekomst, je de AI moet leren hoe hij naar het verleden moet kijken om de volgorde te begrijpen.

Technische Samenvatting: Trajectbewuste Retrieval-agenten voor temporele besluitvorming

Probleemstelling

Het artikel behandelt de beperkingen van standaard Retrieval-Augmented Generation (RAG) pipelines wanneer deze worden toegepast op hoogwaardige besluitvormingstaken waarbij temporeel gestructureerde, langvormige tekst (bijv. klinische geschiedenissen, kwartaalcijfers of aandelenmarktdata) betrokken is.

Standaard RAG-benaderingen halen tekstfragmenten op basis van louter semantische gelijkenis, waardoor de chronologische context wordt gefragmenteerd tot een ongeordende "zak met tekst". Dit verlies van structuur is cruciaal omdat veel besluitvormingsproblemen afhangen van de trajectorie van informatie—zoals een verslechterende symptomatologie bij een patiënt, een verschuivende koers van een CEO, of seriële afhankelijkheid van aandelenkoersen. Het negeren van deze temporele structuur kan leiden tot het conditioneren op tegenstrijdige bewijslast of het missen van kritieke transities. Bovendien produceren standaard autoregressieve LLM's tokensequenties in plaats van begrensde classificatiebeslissingen, wat leidt tot een hoge variantie en gevoeligheid voor prompt-formattering wanneer zij worden gedwongen discrete labels te genereren.

Methodologie: TLM (Trajectory Language Model)

De auteurs stellen TLM voor, een closed-loop agentic framework dat klassieke statistische methoden integreert in de RAG-pipeline om de latente trajectorie van opgehaalde bewijslast te modelleren. Het framework werkt in vijf stadia:

Hybride Retrieval: Het brondocument wordt opgedeeld in overlappende chunks. Initiële retrieval gebruikt een hybride aanpak die sparse lexicale matching (BM25) combineert met dense semantische gelijkenis (via een pretrained sentence encoder) om een initiële bewijsmengsel $Z^{(0)}$ te vormen.
Latent Growth Curve Modeling (LGCM): De geordende opgehaalde chunks worden behandeld als observaties van een evoluerende latente staat. De embeddings van deze chunks worden gefit aan een lineaire LGCM ( $e_i = \mu + \beta t_i + \epsilon_i$ $e_{i} = μ + β t_{i} + ϵ_{i}$ ), waarbij $\mu$ $μ$ de baseline staat vertegenwoordigt en $\beta$ $β$ de veranderingssnelheid. Deze decompositie levert drie actiegerichte signalen op:
- Trend Classificatie: Het categoriseren van de trajectorie als stabiel, progressief of van richting veranderend.
- Turning Point Detectie: Het signaleren van chunks waarvan de residuen de gemiddelde waarde overschrijden als afwijkingen van de verwachte trajectorie.
- Gap Detectie: Het identificeren van scherpe verschillen tussen opeenvolgende embeddings om gerichte re-retrieval van ontbrekende intermediaire informatie te triggeren.
Learned Re-Ranking en Retrieval: Een lichtgewicht, attention-gebaseerde scorer $g_\theta$ wordt gezamenlijk met de LLM getraind. Deze herrangschikt chunks op basis van belang en construeert "learned queries" (gemiddelde embeddings van top-scorende chunks) om aanvullende, diagnostisch relevante bewijslast op te halen die mogelijk niet lexicaal overeenkomt met de oorspronkelijke query.
LLM Classificatie: De definitieve bewijsmengsel (hergerangschikte chunks, LGCM-samenvatting, query en opties) wordt doorgegeven aan een causale LLM. Het model scoort antwoordopties met behulp van next-token logits om een discrete classificatie te produceren.
SHAP-gestuurde Iteratieve Verfijning: Na de initiële voorspelling schat het systeem de bijdrage van elke chunk via een leave-one-out benadering van Shapley-waarden, die efficiënt wordt berekend via de lichtgewicht scorer. Chunks met een positieve bijdrage dienen als basis voor nieuwe queries om aanvullende bewijslast op te halen. Cruciaal is dat deze verfijning alleen additief is; eerder opgehaalde chunks worden nooit weggegooid.
De auteurs bieden een theoretische propositie die stelt dat onder een scorer-kalibratieveronderstelling, deze additieve verfijningsprocedure monotoon niet-dalend is in de waarschijnlijkheid toegewezen aan het correcte label.

Belangrijkste Bijdragen

Latent Growth Curve Modeling voor RAG: Het artikel introduceert de eerste toepassing van LGCM's op RAG-bewijstrajectorieën. Dit biedt een principiële decompositie van bewijslast in baseline, trend en residuen, wat de detectie van trends, keerpunten en informatiegaten mogelijk maakt.
Joint LLM-Scorer Architectuur: De auteurs stellen een lichtgewicht scorer voor die gezamenlijk met de LLM wordt getraind om efficiënte SHAP-waarde schatting mogelijk te maken. Dit vervangt dure LLM forward passes door goedkope scorer passes, wat iteratieve bewijsverfijning praktisch maakt.
Empirische Validatie over Verschillende Domeinen: Het framework wordt geëvalueerd op drie verschillende temporele besluitvormingstaken: medische vraagbeantwoording, earnings call surprise predictie en overnight stock gap predictie.

Experimentele Resultaten

Het TLM-framework werd geëvalueerd op drie datasets met een Qwen3-14B backbone en BAAI/bge-large-en-v1.5 embeddings:

Medical Question Answering (MedQA): TLM behaalde 64,2% nauwkeurigheid, wat de zero-shot LLM baseline (34,6%) en een embedding-only classifier (15,3%) significant overtreft. Dit demonstreert de noodzaak van multi-hop inferentie over temporeel gestructureerde bewijslast in klinische redenering.
Earnings Call Surprise Prediction: Bij een binaire classificatietaak voor het voorspellen van de marktreactie op kwartaalcijfers, behaalde TLM 58,0% nauwkeurigheid. Dit overtreft zero-shot LLM's (50,7%) en standaard retrieval baselines, die nauwelijks de kans op toeval overstegen, wat de moeilijkheid van de taak benadrukt vanwege de efficiënte markthypothese.
Overnight Stock Gap Prediction: In een 3-weg classificatietaak (Buy/Hold/Sell) gesimuleerd als handelsstrategie, behaalde TLM 38,3% nauwkeurigheid vergeleken met 27,5% voor de zero-shot baseline. Wat betreft de economische impact, liet TLM een gesimuleerd portfolio groeien van \ $10.000 naar **\$ 20.400**, vergeleken met $12.067 voor de baseline.

Betekenis en Claims

Het artikel beweert dat TLM een kloof overbrugt tussen statistische methodologie voor longitudinale data-analyse en moderne LLM-agenten. Door opgehaalde bewijslast niet te behandelen als een ongeordende set maar als een temporele trajectorie, stelt het framework agenten in staat om te redeneren over trends en transities in plaats van statische feiten.

De auteurs benadrukken dat hoewel de winsten in financiële taken in termen van percentages bescheiden zijn, ze economisch betekenisvol zijn gezien de moeilijkheid van het voorspellen van marktreacties. De aanpak wordt gepresenteerd als een generaliseerbare methode om besluitvorming te verbeteren in elk domein waar de chronologische volgorde en evolutie van informatie cruciaal zijn voor de juiste uitkomst. Het werk claimt niet alle temporele redeneeruitdagingen op te lossen, maar biedt een specifiek mechanisme (LGCM + SHAP verfijning) om het structurele verlies inherent aan standaard RAG-pipelines te mitigeren.