详细内容或原文请订阅后点击阅览
使用 LLM 实现时间序列推理
多模态大型语言模型 (MLLM) 已在视觉等领域的理解和推理方面取得了许多进展，但我们尚未看到时间序列取得如此广泛的成功。尽管之前对时间序列 MLLM 的研究在时间序列预测中表现出色，但很少有研究展示 LLM 如何用于自然语言的时间序列推理。我们提出了一种新颖的多模态时间序列 LLM 方法，该方法可以学习跨各个领域的可推广信息，并具有强大的零样本性能。首先，我们在… 之上训练一个轻量级时间序列编码器
来源:Apple机器学习研究多模态大型语言模型 (MLLM) 已在视觉等领域的理解和推理方面取得了许多进展，但我们尚未看到时间序列取得如此广泛的成功。尽管之前对时间序列 MLLM 的研究在时间序列预测中表现出色，但很少有研究展示如何将 LLM 用于自然语言的时间序列推理。我们提出了一种新颖的多模态时间序列 LLM 方法，该方法可以学习跨各个领域的可泛化信息，并具有强大的零样本性能。首先，我们在 LLM 之上训练一个轻量级时间序列编码器，以直接提取时间序列信息。然后，我们使用思路链增强的时间序列任务对我们的模型进行微调，以鼓励模型生成推理路径。我们表明，我们的模型学习了一种反映特定时间序列特征（例如斜率、频率）的潜在表示，并且在一系列各种领域的零样本推理任务中表现优于 GPT-4o。