論文の概要: LLMs Meet Cross-Modal Time Series Analytics: Overview and Directions

• arxiv url: http://arxiv.org/abs/2507.10620v1
• Date: Sun, 13 Jul 2025 23:47:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:02.785681
• Title: LLMs Meet Cross-Modal Time Series Analytics: Overview and Directions
• Title（参考訳）: LLMsがクロスモーダル時系列分析を発表 - 概要と方向性
• Authors: Chenxi Liu, Hao Miao, Cheng Long, Yan Zhao, Ziyue Li, Panos Kalnis,
• Abstract要約: 大規模言語モデル(LLM)は、時系列分析のための有望なパラダイムとして登場した。 本チュートリアルは,マルチモーダル時系列解析における実世界の問題解決におけるLLMの実践的応用の拡大を目的としている。
• 参考スコア（独自算出の注目度）: 25.234786025837423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have emerged as a promising paradigm for time series analytics, leveraging their massive parameters and the shared sequential nature of textual and time series data. However, a cross-modality gap exists between time series and textual data, as LLMs are pre-trained on textual corpora and are not inherently optimized for time series. In this tutorial, we provide an up-to-date overview of LLM-based cross-modal time series analytics. We introduce a taxonomy that classifies existing approaches into three groups based on cross-modal modeling strategies, e.g., conversion, alignment, and fusion, and then discuss their applications across a range of downstream tasks. In addition, we summarize several open challenges. This tutorial aims to expand the practical application of LLMs in solving real-world problems in cross-modal time series analytics while balancing effectiveness and efficiency. Participants will gain a thorough understanding of current advancements, methodologies, and future research directions in cross-modal time series analytics.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、その膨大なパラメータとテキストおよび時系列データの共有シーケンス特性を活用して、時系列分析のための有望な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上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、時系列データとテキストデータの間には相互モダリティギャップが存在する。 本チュートリアルでは,LLMに基づくクロスモーダル時系列解析について概説する。 我々は,既存のアプローチを,例えば変換,アライメント,融合といった相互モーダルなモデリング戦略に基づいて3つのグループに分類し,下流のタスクにまたがってそれらの応用について議論する分類法を紹介した。 さらに、いくつかのオープンな課題を要約する。 本チュートリアルは,実世界の問題を解決するためのLLMの実践的応用を,有効性と効率のバランスを保ちながら,クロスモーダル時系列解析において拡張することを目的としている。 参加者は、クロスモーダル時系列分析における現在の進歩、方法論、今後の研究方向性について、より深く理解する。

関連論文リスト

• LLM-Prompt: Integrated Heterogeneous Prompts for Unlocking LLMs in Time Series Forecasting [4.881217428928315]
  時系列予測は、変数間の時間的依存関係を将来の状態推論のためにモデル化することを目的としている。 近年の研究では,大規模言語モデル (LLM) が時系列予測において有望な性能を達成することが示されている。 マルチプロンプト情報とモーダル間セマンティックアライメントを組み合わせたLLMベースの時系列予測フレームワークLLM-Promptを提案する。
  論文  参考訳（メタデータ） (2025-06-21T08:22:25Z)
• Towards Cross-Modality Modeling for Time Series Analytics: A Survey in the LLM Era [24.980206999214552]
  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。
  論文  参考訳（メタデータ） (2025-05-05T11:35:33Z)
• 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)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 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。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• 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)
• AutoTimes: Autoregressive Time Series Forecasters via Large Language Models [67.83502953961505]
  AutoTimesは時系列を言語トークンの埋め込み空間に投影し、任意の長さで将来予測を生成する。 時系列をプロンプトとして定式化し、ルックバックウィンドウを越えて予測のコンテキストを拡張する。 AutoTimesは、トレーニング可能なパラメータが0.1%、トレーニング/推論のスピードアップが5ドル以上で最先端を実現している。
  論文  参考訳（メタデータ） (2024-02-04T06:59:21Z)
• 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)
• 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。