論文の概要: ChatTime: A Unified Multimodal Time Series Foundation Model Bridging Numerical and Textual Data

• arxiv url: http://arxiv.org/abs/2412.11376v1
• Date: Mon, 16 Dec 2024 02:04:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 14:01:11.607215
• Title: ChatTime: A Unified Multimodal Time Series Foundation Model Bridging Numerical and Textual Data
• Title（参考訳）: ChatTime: 数値データとテキストデータを結合した統合マルチモーダル時系列基盤モデル
• Authors: Chengsen Wang, Qi Qi, Jingyu Wang, Haifeng Sun, Zirui Zhuang, Jinming Wu, Lei Zhang, Jianxin Liao,
• Abstract要約: ChatTimeは時系列とテキスト処理のための統合されたフレームワークである。 アウトオブボックスのマルチモーダル時系列基盤モデルとして、ChatTimeはゼロショット予測機能を提供する。 複数のタスクやシナリオでChatTimeの優れたパフォーマンスを検証するために、一連の実験を設計する。
• 参考スコア（独自算出の注目度）: 26.300515935897415
• License:
• Abstract: Human experts typically integrate numerical and textual multimodal information to analyze time series. However, most traditional deep learning predictors rely solely on unimodal numerical data, using a fixed-length window for training and prediction on a single dataset, and cannot adapt to different scenarios. The powered pre-trained large language model has introduced new opportunities for time series analysis. Yet, existing methods are either inefficient in training, incapable of handling textual information, or lack zero-shot forecasting capability. In this paper, we innovatively model time series as a foreign language and construct ChatTime, a unified framework for time series and text processing. As an out-of-the-box multimodal time series foundation model, ChatTime provides zero-shot forecasting capability and supports bimodal input/output for both time series and text. We design a series of experiments to verify the superior performance of ChatTime across multiple tasks and scenarios, and create four multimodal datasets to address data gaps. The experimental results demonstrate the potential and utility of ChatTime.
• Abstract（参考訳）: 人間の専門家は通常、時系列を分析するために数値とテキストのマルチモーダル情報を統合する。 しかし、従来のディープラーニング予測器のほとんどは、単一のデータセットでトレーニングと予測を行うために固定長のウィンドウを使用して、単調な数値データのみに依存しており、異なるシナリオに対応できない。 パワード・トレーニング済みの大規模言語モデルでは,時系列解析の新しい機会が導入された。 しかし、既存の手法はトレーニングの効率が悪く、テキスト情報を扱うことができないか、ゼロショット予測能力がないかのいずれかである。 本稿では,時系列を外国語として革新的にモデル化し,時系列処理とテキスト処理のための統合フレームワークChatTimeを構築した。 アウトオブボックスのマルチモーダル時系列基盤モデルとして、ChatTimeはゼロショット予測機能を提供し、時系列とテキストの両方でバイモーダル入力/出力をサポートする。 複数のタスクやシナリオでChatTimeの優れたパフォーマンスを検証するための一連の実験を設計し、データギャップに対処するための4つのマルチモーダルデータセットを作成します。 実験結果はChatTimeの可能性と有用性を示している。

関連論文リスト

• Multi-Modal Forecaster: Jointly Predicting Time Series and Textual Data [23.10730301634422]
  現在の予測手法は概ね非定型であり、時系列に付随するリッチテキストデータを無視している。 マルチモーダル予測のためのタイムテキストコーパス(TTC)を開発した。 我々のデータセットは、タイムスタンプに沿った数字とテキストのシーケンスで構成されており、気候科学と医療という2つの異なる領域のデータを含んでいる。
  論文  参考訳（メタデータ） (2024-11-11T06:04:15Z)
• Text2Freq: Learning Series Patterns from Text via Frequency Domain [8.922661807801227]
  Text2Freqは、周波数領域を介してテキストと時系列データを統合したモダリティモデルである。 実物価格と合成テキストのペアデータセットによる実験により,Text2Freqが最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2024-11-01T16:11:02Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト・イズ・キー (Context is Key) (CiK) は、時系列予測ベンチマークであり、様々な種類のテキストコンテキストと数値データをペアリングする。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 実験では、文脈情報の導入の重要性を強調し、LLMに基づく予測モデルを用いた場合の驚くべき性能を示すとともに、それらの重要な欠点を明らかにした。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• MM-Forecast: A Multimodal Approach to Temporal Event Forecasting with Large Language Models [55.5765505287505]
  大規模言語モデルを用いた多モーダル時間事象予測の新興かつ興味深い課題について検討する。 本稿では,画像が時間的事象予測のシナリオで果たす重要な2つの機能,すなわちハイライトと補完機能について述べる。 我々は,これらの関数記述を大規模言語モデルに組み込んだ,MM-Forecastという新しいフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-08-08T11:44:57Z)
• Language Models Still Struggle to Zero-shot Reason about Time Series [11.764833497297493]
  時系列は金融や医療といった分野における意思決定に不可欠だ。 非自明な予測が言語モデルが時系列について推論できることを示すかどうかは不明である。 時系列推論のための一級評価フレームワークを生成する。
  論文  参考訳（メタデータ） (2024-04-17T21:27:33Z)
• Large Language Models Are Zero-Shot Time Series Forecasters [48.73953666153385]
  時系列を数値桁の列として符号化することにより、テキストの次トーケン予測として時系列予測をフレーム化することができる。 GPT-3 や LLaMA-2 のような大規模言語モデル (LLM) は、ダウンストリームタスクでトレーニングされた目的構築された時系列モデルの性能に匹敵する、あるいはそれ以上のレベルにおいて、驚くほどゼロショット・エクスポレート・時系列を生成できる。
  論文  参考訳（メタデータ） (2023-10-11T19:01:28Z)
• 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)
• Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing [78.8500633981247]
  本稿では,自然言語処理における新たなパラダイムにおける研究成果の探索と整理を行う。 入力xを取り込んで出力yをP(y|x)として予測するようにモデルを訓練する従来の教師付き学習とは異なり、プロンプトベースの学習は直接テキストの確率をモデル化する言語モデルに基づいている。
  論文  参考訳（メタデータ） (2021-07-28T18:09:46Z)
• Human-like Time Series Summaries via Trend Utility Estimation [13.560018516096754]
  本稿では,時系列の人間的な記述を生成するためのモデルを提案する。 本システムは時系列データからパターンを見つけ,人間の行動の経験的観察に基づいてこれらのパターンをランク付けする。 本システムの出力は,人間による同じデータの要約に一致させようとする時系列の自然言語記述である。
  論文  参考訳（メタデータ） (2020-01-16T06:09:50Z)

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。