論文の概要: Towards Cross-Modality Modeling for Time Series Analytics: A Survey in the LLM Era

• arxiv url: http://arxiv.org/abs/2505.02583v1
• Date: Mon, 05 May 2025 11:35:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.664376
• Title: Towards Cross-Modality Modeling for Time Series Analytics: A Survey in the LLM Era
• Title（参考訳）: 時系列分析のためのクロスモーダルモデリングに向けて:LLM時代の調査
• Authors: Chenxi Liu, Shaowen Zhou, Qianxiong Xu, Hao Miao, Cheng Long, Ziyue Li, Rui Zhao,
• Abstract要約: 大規模言語モデル(LLM)が時系列分析の新しいパラダイムとして登場した。 LLMはテキストコーパスで事前訓練されており、本質的に時系列に最適化されていない。 この調査は、LLMベースの時系列モデリングに関心のある専門家、研究者、実践者向けに設計されている。
• 参考スコア（独自算出の注目度）: 24.980206999214552
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The proliferation of edge devices has generated an unprecedented volume of time series data across different domains, motivating various well-customized methods. Recently, Large Language Models (LLMs) have emerged as a new paradigm for time series analytics by leveraging the shared sequential nature of textual data and time series. However, a fundamental cross-modality gap between time series and LLMs exists, as LLMs are pre-trained on textual corpora and are not inherently optimized for time series. Many recent proposals are designed to address this issue. In this survey, we provide an up-to-date overview of LLMs-based cross-modality modeling for time series analytics. We first introduce a taxonomy that classifies existing approaches into four groups based on the type of textual data employed for time series modeling. We then summarize key cross-modality strategies, e.g., alignment and fusion, and discuss their applications across a range of downstream tasks. Furthermore, we conduct experiments on multimodal datasets from different application domains to investigate effective combinations of textual data and cross-modality strategies for enhancing time series analytics. Finally, we suggest several promising directions for future research. This survey is designed for a range of professionals, researchers, and practitioners interested in LLM-based time series modeling.
• Abstract（参考訳）: エッジデバイスの普及は、様々な領域にわたる前例のない膨大な時系列データを発生させ、様々な手法を動機付けている。 近年,Large Language Models (LLMs) が,テキストデータと時系列の共有シーケンス特性を活用することで時系列解析の新しいパラダイムとして登場した。 しかし、LLMはテキストコーパスで事前訓練されており、本質的に時系列に最適化されていないため、時系列とLLMの基本的な相互モダリティギャップが存在する。 最近の提案の多くはこの問題に対処するために設計されている。 本稿では,LLMを用いた時系列解析のためのクロスモダリティモデリングについて概説する。 まず、時系列モデリングに使用されるテキストデータの種類に基づいて、既存のアプローチを4つのグループに分類する分類法を提案する。 次に、アライメントや融合といった重要なモダリティ戦略をまとめた上で、さまざまなダウンストリームタスクでそれらのアプリケーションについて議論します。 さらに、異なるアプリケーション領域からのマルチモーダルデータセットの実験を行い、時系列分析を強化するためのテキストデータと相互モーダル戦略の効果的な組み合わせについて検討する。 最後に,今後の研究に期待できる方向をいくつか提案する。 この調査は、LLMベースの時系列モデリングに関心のある専門家、研究者、実践者向けに設計されている。

関連論文リスト

• Multi-modal Time Series Analysis: A Tutorial and Survey [36.93906365779472]
  マルチモーダル時系列分析はデータマイニングにおいて顕著な研究領域となっている。 しかし、マルチモーダル時系列の効果的な解析は、データの不均一性、モダリティギャップ、不整合、固有ノイズによって妨げられる。 マルチモーダル時系列法の最近の進歩は、クロスモーダル相互作用を通じて、マルチモーダルコンテキストを利用した。
  論文  参考訳（メタデータ） (2025-03-17T20:30:02Z)
• LLM-PS: Empowering Large Language Models for Time Series Forecasting with Temporal Patterns and Semantics [56.99021951927683]
  Time Series Forecasting (TSF) は、金融計画や健康モニタリングなど、多くの現実世界のドメインにおいて重要である。 既存のLarge Language Models (LLM) は通常、時系列データ固有の特性を無視するため、非最適に実行する。 時系列データから基本的なtextitPatterns と有意義な textitSemantics を学習し,TLF のための LLM-PS を提案する。
  論文  参考訳（メタデータ） (2025-03-12T11:45:11Z)
• Harnessing Vision Models for Time Series Analysis: A Survey [72.09716244582684]
  本研究は, 時系列解析におけるLLMよりも視覚モデルの方が優れていることを示す。 既存の方法の包括的かつ詳細な概要を提供し、詳細な分類学の双対的な見解を提供する。 このフレームワークに関わる前処理と後処理のステップにおける課題に対処する。
  論文  参考訳（メタデータ） (2025-02-13T00:42:11Z)
• Position: Empowering Time Series Reasoning with Multimodal LLMs [49.73647759532127]
  マルチモーダル言語モデル (MLLM) は時系列解析においてより強力で柔軟な推論を可能にすると論じる。 我々は、MLLMにおける信頼、解釈可能性、堅牢な推論を優先する戦略を開発することで、この可能性を活用するよう研究者や実践者に呼びかける。
  論文  参考訳（メタデータ） (2025-02-03T16:10:48Z)
• Hierarchical Multimodal LLMs with Semantic Space Alignment for Enhanced Time Series Classification [4.5939667818289385]
  HiTimeは階層的なマルチモーダルモデルであり、時間的情報を大きな言語モデルにシームレスに統合する。 本研究は, 時間的特徴をLCMに組み込むことにより, 時系列解析の進歩に寄与する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-10-24T12:32:19Z)
• 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)
• LTSM-Bundle: A Toolbox and Benchmark on Large Language Models for Time Series Forecasting [69.33802286580786]
  LTSM-Bundleは総合的なツールボックスであり、LTSMをトレーニングするためのベンチマークである。 複数の次元からLTSMをモジュール化し、ベンチマークし、プロンプト戦略、トークン化アプローチ、ベースモデルの選択、データ量、データセットの多様性を含む。 実験により、この組み合わせは最先端のLTSMや従来のTSF法と比較して、ゼロショットと少数ショットのパフォーマンスが優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-20T07:09:19Z)
• Empowering Time Series Analysis with Large Language Models: A Survey [24.202539098675953]
  本稿では,大規模言語モデルを用いた時系列解析手法の体系的概要について述べる。 具体的には、まず、時系列の文脈で言語モデルを適用する際の課題とモチベーションについて述べる。 次に、既存のメソッドを異なるグループ(ダイレクトクエリ、トークン化、プロンプトデザイン、ファインチューン、モデル統合)に分類し、各グループにおける主要なアイデアを強調します。
  論文  参考訳（メタデータ） (2024-02-05T16:46:35Z)
• Large Language Models for Time Series: A Survey [34.24258745427964]
  大規模言語モデル (LLM) は自然言語処理やコンピュータビジョンといった領域で広く利用されている。 LLMは、気候、IoT、ヘルスケア、トラフィック、オーディオ、ファイナンスといった分野の恩恵を受けながら、時系列データを分析する上で、大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-02-02T07:24:35Z)

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。