論文の概要: Text Reinforcement for Multimodal Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2509.00687v1
• Date: Sun, 31 Aug 2025 03:59:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.342186
• Title: Text Reinforcement for Multimodal Time Series Forecasting
• Title（参考訳）: マルチモーダル時系列予測のためのテキスト強化
• Authors: Chen Su, Yuanhe Tian, Yan Song, Yongdong Zhang,
• Abstract要約: 時系列予測(TSF)における最近の研究は、テキストや過去の時系列データなどのマルチモーダルな入力を用いて将来の値を予測している。 これらのアプローチは、高品質なテキストと時系列入力に依存しているが、場合によっては、歴史的時系列によってもたらされる情報を正確にも完全にも捉えていない。 本稿では,テキストモダリティの強化によるマルチモーダルTSFの改善を提案する。
• 参考スコア（独自算出の注目度）: 46.58128717746603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent studies in time series forecasting (TSF) use multimodal inputs, such as text and historical time series data, to predict future values. These studies mainly focus on developing advanced techniques to integrate textual information with time series data to perform the task and achieve promising results. Meanwhile, these approaches rely on high-quality text and time series inputs, whereas in some cases, the text does not accurately or fully capture the information carried by the historical time series, which leads to unstable performance in multimodal TSF. Therefore, it is necessary to enhance the textual content to improve the performance of multimodal TSF. In this paper, we propose improving multimodal TSF by reinforcing the text modalities. We propose a text reinforcement model (TeR) to generate reinforced text that addresses potential weaknesses in the original text, then apply this reinforced text to support the multimodal TSF model's understanding of the time series, improving TSF performance. To guide the TeR toward producing higher-quality reinforced text, we design a reinforcement learning approach that assigns rewards based on the impact of each reinforced text on the performance of the multimodal TSF model and its relevance to the TSF task. We optimize the TeR accordingly, so as to improve the quality of the generated reinforced text and enhance TSF performance. Extensive experiments on a real-world benchmark dataset covering various domains demonstrate the effectiveness of our approach, which outperforms strong baselines and existing studies on the dataset.
• Abstract（参考訳）: 時系列予測(TSF)における最近の研究は、テキストや過去の時系列データなどのマルチモーダルな入力を用いて将来の値を予測している。 これらの研究は主に、テキスト情報を時系列データと統合してタスクを実行し、有望な結果を達成するための高度な技術開発に重点を置いている。 一方、これらの手法は高品質なテキストと時系列入力に依存しているが、場合によっては、歴史的時系列が持つ情報を正確に、あるいは完全にキャプチャすることはなく、マルチモーダルTSFの不安定な性能をもたらす。 したがって、マルチモーダルTSFの性能を向上させるために、テキストコンテンツを強化する必要がある。 本稿では,テキストモダリティの強化によるマルチモーダルTSFの改善を提案する。 原文の潜在的な弱点に対処する強化テキストを生成するためのテキスト強化モデル(TeR)を提案し,この強化テキストを適用して時系列に対するマルチモーダルTSFモデルの理解をサポートし,TSF性能を向上させる。 高品質な強化テキスト作成に向けたTeRの指針として,強化テキストがマルチモーダルTSFモデルの性能とTSFタスクとの関連性に与える影響について,各強化テキストの影響に基づいて報酬を割り当てる強化学習手法を設計する。 そこで我々は,TeRを最適化し,生成した強化テキストの品質を向上し,TSF性能を向上させる。 様々な領域をカバーする実世界のベンチマークデータセットに対する大規模な実験は、我々のアプローチの有効性を示し、強力なベースラインとデータセットに関する既存の研究より優れている。

関連論文リスト

• BRIDGE: Bootstrapping Text to Control Time-Series Generation via Multi-Agent Iterative Optimization and Diffusion Modeling [35.23364682572953]
  時系列生成(TSG、Time-Series Generation)は、シミュレーション、データ拡張、および反事実分析に広く応用された、顕著な研究分野である。 我々は、テキストが意味的な洞察、ドメイン情報、インスタンス固有の時間パターンを提供し、TSGをガイドし改善することができると論じている。 BRIDGEはテキスト制御型TSGフレームワークで,テキスト記述とセマンティックプロトタイプを統合し,ドメインレベルのガイダンスをサポートする。
  論文  参考訳（メタデータ） (2025-03-04T09:40:00Z)
• Language in the Flow of Time: Time-Series-Paired Texts Weaved into a Unified Temporal Narrative [65.84249211767921]
  テキスト・アズ・タイム・シリーズ(TaTS)は、既存の数値のみの時系列モデルにプラグインできる。 TaTSはモデルアーキテクチャを変更することなく予測性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-02-13T03:43:27Z)
• 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)
• TS-HTFA: Advancing Time Series Forecasting via Hierarchical Text-Free Alignment with Large Language Models [14.411646409316624]
  時系列予測の新しい手法である textbfHierarchical textbfText-textbfFree textbfAlignment (textbfTS-HTFA) を導入する。 我々は、QR分解語埋め込みと学習可能なプロンプトに基づいて、ペア化されたテキストデータを適応的な仮想テキストに置き換える。 複数の時系列ベンチマークの実験は、HTFAが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2024-09-23T12:57:24Z)
• Intervention-Aware Forecasting: Breaking Historical Limits from a System Perspective [13.150057548030558]
  我々は、外部介入を組み込むように設計されたインターベンション対応時系列予測(IATSF)フレームワークを提案する。 合成シナリオと実世界のシナリオ間で時間同期されたテキスト介入データからなるリークフリーベンチマークを提案する。 FIATSは最先端の手法を超越しており、予測改善は外部介入をモデル化することによるものであることを示す。
  論文  参考訳（メタデータ） (2024-05-22T10:45:50Z)
• Improving Sampling Methods for Fine-tuning SentenceBERT in Text Streams [49.3179290313959]
  本研究では,選択的な微調整言語モデルの設計した7つのテキストサンプリング手法の有効性について検討した。 これらの手法がSBERTモデルの微調整に与える影響を, 4つの異なる損失関数を用いて正確に評価する。 その結果,テキストストリームの分類にはソフトマックスの損失とバッチ・オール・トリプレットの損失が特に有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-18T23:41:52Z)
• $\textit{latent}$-GLAT: Glancing at Latent Variables for Parallel Text Generation [65.29170569821093]
  並列テキスト生成は、ジェネレーション効率の成功により、広く注目を集めています。 本稿では,単語分類情報を取得するために,離散潜在変数を用いた$textitlatent$-GLATを提案する。 実験結果から,本手法は自己回帰モデルを用いることなく,強いベースラインを達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-04-05T07:34:12Z)

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。