論文の概要: Large Language models for Time Series Analysis: Techniques, Applications, and Challenges

• arxiv url: http://arxiv.org/abs/2506.11040v1
• Date: Wed, 21 May 2025 04:45:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.504806
• Title: Large Language models for Time Series Analysis: Techniques, Applications, and Challenges
• Title（参考訳）: 時系列分析のための大規模言語モデル:技術、応用、課題
• Authors: Feifei Shi, Xueyan Yin, Kang Wang, Wanyu Tu, Qifu Sun, Huansheng Ning,
• Abstract要約: 大規模言語モデル (LLMs) は、時系列解析において、その横断的な知識の統合と固有の注意機構を活用することによって、変革的なポテンシャルを提供する。 本稿では,LLM駆動型時系列解析の体系的レビューを行う。 技術、潜在的なアプリケーション、オープンな課題の実現に重点を置いています。
• 参考スコア（独自算出の注目度）: 10.347387584258222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series analysis is pivotal in domains like financial forecasting and biomedical monitoring, yet traditional methods are constrained by limited nonlinear feature representation and long-term dependency capture. The emergence of Large Language Models (LLMs) offers transformative potential by leveraging their cross-modal knowledge integration and inherent attention mechanisms for time series analysis. However, the development of general-purpose LLMs for time series from scratch is still hindered by data diversity, annotation scarcity, and computational requirements. This paper presents a systematic review of pre-trained LLM-driven time series analysis, focusing on enabling techniques, potential applications, and open challenges. First, it establishes an evolutionary roadmap of AI-driven time series analysis, from the early machine learning era, through the emerging LLM-driven paradigm, to the development of native temporal foundation models. Second, it organizes and systematizes the technical landscape of LLM-driven time series analysis from a workflow perspective, covering LLMs' input, optimization, and lightweight stages. Finally, it critically examines novel real-world applications and highlights key open challenges that can guide future research and innovation. The work not only provides valuable insights into current advances but also outlines promising directions for future development. It serves as a foundational reference for both academic and industrial researchers, paving the way for the development of more efficient, generalizable, and interpretable systems of LLM-driven time series analysis.
• Abstract（参考訳）: 時系列分析は、財務予測やバイオメディカルモニタリングといった分野において重要であるが、従来の手法は、限られた非線形特徴表現と長期依存性キャプチャによって制約されている。 LLM(Large Language Models)の出現は、時系列分析にクロスモーダルな知識統合と固有の注意機構を活用することによって、変革的なポテンシャルを提供する。 しかし、スクラッチからの時系列用汎用LSMの開発は、データの多様性、アノテーション不足、計算要求によって妨げられている。 本稿では, LLM による時系列解析を体系的に検討し, 実現技術, 潜在的な応用, オープン課題に焦点をあてる。 第一に、AI駆動の時系列分析の進化的ロードマップを確立し、初期の機械学習時代から、新興のLLM駆動パラダイムから、ネイティブな時間的基盤モデルの開発に至る。 第2に、LLMのインプット、最適化、軽量ステージをカバーするワークフローの観点から、LLM駆動の時系列分析の技術的な展望を整理し、体系化する。 最後に、新しい現実世界の応用を批判的に検討し、将来の研究とイノベーションを導くための重要なオープンな課題を強調します。 この研究は、現在の進歩に関する貴重な洞察を提供するだけでなく、将来の開発に向けた有望な方向性を概説している。 学術と工業の両方の研究者の基本的な参照として機能し、LLM駆動の時系列分析のより効率的、一般化可能、解釈可能なシステムを開発するための道を開いた。

関連論文リスト

• 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)
• 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)
• CALF: Aligning LLMs for Time Series Forecasting via Cross-modal Fine-Tuning [59.88924847995279]
  MTSFのためのクロスモーダルLCMファインチューニング(CALF)フレームワークを提案する。 分散の相違を低減するため,クロスモーダルマッチングモジュールを開発した。 CALFは、長期および短期の予測タスクの最先端のパフォーマンスを確立する。
  論文  参考訳（メタデータ） (2024-03-12T04:04:38Z)
• 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)
• 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)

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。