Fugu-MT 論文翻訳(概要): Beyond Forecasting: Compositional Time Series Reasoning for End-to-End Task Execution

論文の概要: Beyond Forecasting: Compositional Time Series Reasoning for End-to-End Task Execution

arxiv url: http://arxiv.org/abs/2410.04047v1
Date: Tue, 8 Oct 2024 16:28:23 GMT
ステータス: 処理完了
システム内更新日: 2024-11-02 14:30:41.719612
Title: Beyond Forecasting: Compositional Time Series Reasoning for End-to-End Task Execution
Title（参考訳）: 予測を超えて: エンドツーエンドタスク実行のための合成時系列推論
Authors: Wen Ye, Yizhou Zhang, Wei Yang, Lumingyuan Tang, Defu Cao, Jie Cai, Yan Liu,
Abstract要約: 時系列データから複雑な多段階推論タスクを処理する新しいタスクであるコンポジション時系列推論を導入する。具体的には、時系列データに構造的および構成的推論能力を必要とする様々な質問事例に焦点を当てる。我々は,大規模言語モデル(LLM)を用いて複雑なタスクをプログラムのステップに分解するプログラム支援手法であるTS-Reasonerを開発した。
参考スコア（独自算出の注目度）: 19.64976935450366
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: In recent decades, there has been substantial advances in time series models and benchmarks across various individual tasks, such as time series forecasting, classification, and anomaly detection. Meanwhile, compositional reasoning in time series prevalent in real-world applications (e.g., decision-making and compositional question answering) is in great demand. Unlike simple tasks that primarily focus on predictive accuracy, compositional reasoning emphasizes the synthesis of diverse information from both time series data and various domain knowledge, making it distinct and extremely more challenging. In this paper, we introduce Compositional Time Series Reasoning, a new task of handling intricate multistep reasoning tasks from time series data. Specifically, this new task focuses on various question instances requiring structural and compositional reasoning abilities on time series data, such as decision-making and compositional question answering. As an initial attempt to tackle this novel task, we developed TS-Reasoner, a program-aided approach that utilizes large language model (LLM) to decompose a complex task into steps of programs that leverage existing time series models and numerical subroutines. Unlike existing reasoning work which only calls off-the-shelf modules, TS-Reasoner allows for the creation of custom modules and provides greater flexibility to incorporate domain knowledge as well as user-specified constraints. We demonstrate the effectiveness of our method through a comprehensive set of experiments. These promising results indicate potential opportunities in the new task of time series reasoning and highlight the need for further research.
Abstract（参考訳）: 近年、時系列予測、分類、異常検出など、時系列モデルやベンチマークが様々なタスクにわたって大幅に進歩している。一方、実世界の応用(例えば、意思決定や構成的質問応答)で広く使われている時系列における構成的推論は、非常に要求されている。予測精度に主眼を置いている単純なタスクとは異なり、構成的推論は時系列データと様々なドメイン知識の両方から多様な情報を合成することを強調する。本稿では,時系列データから複雑な多段階推論タスクを処理するための新しいタスクであるコンポジション時系列推論を紹介する。具体的には、時系列データに構造的および構成的推論能力を必要とする様々な質問事例、例えば意思決定や構成的質問応答に焦点を当てる。この課題に最初に取り組んでいたTS-Reasonerは、大規模言語モデル(LLM)を利用して、複雑なタスクを既存の時系列モデルと数値サブルーチンを利用するプログラムのステップに分解するプログラム支援手法である。既製のモジュールのみを呼び出す既存の推論作業とは異なり、TS-Reasonerはカスタムモジュールの作成を可能にし、ドメイン知識とユーザ指定の制約を組み込むための柔軟性を提供する。本手法の有効性を総合的な実験によって実証する。これらの有望な結果は、時系列推論の新しいタスクの可能性を示し、さらなる研究の必要性を強調している。

関連論文リスト

Agentic Retrieval-Augmented Generation for Time Series Analysis [0.0]
本稿では,時系列解析のためのエージェント検索拡張フレームワークを提案する。提案したモジュール型マルチエージェントRAGアプローチは、柔軟性を提供し、主要な時系列タスクに対してより最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-08-18T11:47:55Z)
Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
時系列データは、現実世界のシナリオにおいて非常に重要である。近年、時系列コミュニティで顕著なブレークスルーが見られた。多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
論文参考訳（メタデータ） (2024-07-18T08:31:55Z)
UniCL: A Universal Contrastive Learning Framework for Large Time Series Models [18.005358506435847]
時系列分析は、金融から医療まで、さまざまな重要なアプリケーションにおいて重要な役割を果たす。従来の教師付き学習手法は、まず各タスクにおける時系列データの広範なラベルを注釈付けする。本稿では,時系列基礎モデルの事前学習を目的とした,普遍的でスケーラブルなコントラスト学習フレームワークUniCLを紹介する。
論文参考訳（メタデータ） (2024-05-17T07:47:11Z)
A Survey of Time Series Foundation Models: Generalizing Time Series Representation with Large Language Model [33.17908422599714]
大規模な言語基盤モデルは、クロスタスク転送性、ゼロショット/フェーショット学習、意思決定説明性といった機能を公開した。主な研究線は2つあり、例えば、時系列のためにゼロから事前訓練された基礎モデルと、時系列のために大きな言語基盤モデルを適用することである。本調査は,関連研究の総合的な調査を行うための3E分析フレームワークを提供する。
論文参考訳（メタデータ） (2024-05-03T03:12:55Z)
Position: What Can Large Language Models Tell Us about Time Series Analysis [69.70906014827547]
現在の大規模言語モデル(LLM)は時系列解析に革命をもたらす可能性があると我々は主張する。このような進歩は、時系列のモダリティスイッチングや質問応答など、幅広い可能性を解き放つ可能性がある。
論文参考訳（メタデータ） (2024-02-05T04:17:49Z)
Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
時系列予測は多くの実世界の力学系において重要な意味を持つ。時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。 Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
論文参考訳（メタデータ） (2023-10-03T01:31:25Z)
TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
論文参考訳（メタデータ） (2023-10-02T16:45:19Z)
Feature Programming for Multivariate Time Series Prediction [7.0220697993232]
本稿では,時系列モデリングのためのプログラム可能な機能工学の概念を紹介する。本稿では,ノイズの多い時系列に対して大量の予測機能を生成する機能プログラミングフレームワークを提案する。
論文参考訳（メタデータ） (2023-06-09T20:46:55Z)
Unlocking Temporal Question Answering for Large Language Models with Tailor-Made Reasoning Logic [84.59255070520673]
大きな言語モデル(LLM)は、時間的推論に関わる際に課題に直面します。本研究では,時間的質問応答タスクに特化して設計された新しいフレームワークであるTempLogicを提案する。
論文参考訳（メタデータ） (2023-05-24T10:57:53Z)
Multi-Task Learning with Sequence-Conditioned Transporter Networks [67.57293592529517]
シーケンスコンディショニングと重み付きサンプリングのレンズによるマルチタスク学習の実現を目指している。合成タスクを対象とした新しいベンチマークであるMultiRavensを提案する。次に,視覚に基づくエンドツーエンドシステムアーキテクチャであるSequence-Conditioned Transporter Networksを提案する。
論文参考訳（メタデータ） (2021-09-15T21:19:11Z)
Multi-Task Time Series Forecasting With Shared Attention [15.294939035413217]
マルチタスク時系列予測のための2つの自己注目型共有方式を提案する。提案アーキテクチャは,最先端の単一タスク予測ベースラインを上回るだけでなく,RNNベースのマルチタスク予測手法よりも優れている。
論文参考訳（メタデータ） (2021-01-24T04:25:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。