論文の概要: NUM2EVENT: Interpretable Event Reasoning from Numerical time-series

• arxiv url: http://arxiv.org/abs/2510.23630v1
• Date: Fri, 24 Oct 2025 02:57:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.297455
• Title: NUM2EVENT: Interpretable Event Reasoning from Numerical time-series
• Title（参考訳）: NUM2EVENT:数値時系列からの解釈可能なイベント推論
• Authors: Ninghui Feng, Yiyan Qi,
• Abstract要約: 本稿では,数値入力から解釈可能な構造化イベントを推論することを目的とした,数対値推論と復号化の課題を紹介する。 データ不足とセマンティックアライメントの課題に対処するために、推論対応フレームワークを提案する。 我々のモデルは、数値的な変化に対して明確に理由付け、中間的な説明を生成し、構造化された事象仮説を出力する。
• 参考スコア（独自算出の注目度）: 6.45945124018154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have recently demonstrated impressive multimodal reasoning capabilities, yet their understanding of purely numerical time-series signals remains limited. Existing approaches mainly focus on forecasting or trend description, without uncovering the latent events that drive numerical changes or explaining the reasoning process behind them. In this work, we introduce the task of number-to-event reasoning and decoding, which aims to infer interpretable structured events from numerical inputs, even when current text is unavailable. To address the data scarcity and semantic alignment challenges, we propose a reasoning-aware framework that integrates an agent-guided event extractor (AGE), a marked multivariate Hawkes-based synthetic generator (EveDTS), and a two-stage fine-tuning pipeline combining a time-series encoder with a structured decoder. Our model explicitly reasons over numerical changes, generates intermediate explanations, and outputs structured event hypotheses. Experiments on multi-domain datasets show that our method substantially outperforms strong LLM baselines in event-level precision and recall. These results suggest a new direction for bridging quantitative reasoning and semantic understanding, enabling LLMs to explain and predict events directly from numerical dynamics.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、最近、印象的なマルチモーダル推論能力を示したが、純粋に数値的な時系列信号の理解は依然として限られている。 既存のアプローチは主に予測や傾向記述に重点を置いており、数値的な変化を引き起こす潜伏事象を明らかにしたり、それの背後にある推論プロセスを説明することはない。 本研究では,現在テキストが利用できない場合でも,数値入力から解釈可能な構造化イベントを推測することを目的とした,数対数推論と復号化の課題を紹介する。 データ不足とセマンティックアライメントの問題に対処するため,エージェント誘導イベント抽出器 (AGE) とマーク付き多変量ホークス型合成ジェネレータ (EveDTS) と,時系列エンコーダと構造化デコーダを組み合わせた2段階微調整パイプラインを組み合わせた推論対応フレームワークを提案する。 我々のモデルは、数値的な変化に対して明確に理由付け、中間的な説明を生成し、構造化された事象仮説を出力する。 マルチドメインデータセットの実験により,この手法は事象レベルの精度とリコールにおいて,強いLCMベースラインを著しく上回ることを示した。 これらの結果は, LLMが数値力学から直接事象を説明・予測できるように, 定量的推論と意味理解を橋渡しするための新たな方向を示唆している。

関連論文リスト

• AXIS: Explainable Time Series Anomaly Detection with Large Language Models [33.68487894996624]
  AXISは、時系列理解のための凍結したLarge Language Models (LLM) を規定するフレームワークである。 LLMは離散トークンで動作し、長い連続的な信号を直接処理するのに苦労する。 文脈的接地とパターンレベルのセマンティクスを監督するマルチフォーマットの質問と合理性を特徴とする新しいベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-09-29T07:24:22Z)
• Towards Explainable Sequential Learning [0.2318095974878009]
  本稿では,ハイブリッドな時間データ処理パイプラインであるDataFul Explainable MultivariatE coRrelatIonal Temporal Artificial Intelligence (EMeriTAte+DF)を提案する。
  論文  参考訳（メタデータ） (2025-05-29T16:30:59Z)
• TimeXL: Explainable Multi-modal Time Series Prediction with LLM-in-the-Loop [79.5773512667468]
  TimeXLは、プロトタイプベースの時系列エンコーダと3つの協調する大規模言語モデルを統合するマルチモーダル予測フレームワークである。 リフレクションLLMは、予測された値と地上の真実を比較し、テキストの不整合やノイズを識別する。 このクローズドループワークフロー予測、批判(参照)、改善が連続的にフレームワークのパフォーマンスと解釈可能性を高めます。
  論文  参考訳（メタデータ） (2025-03-02T20:40:53Z)
• TimeCAP: Learning to Contextualize, Augment, and Predict Time Series Events with Large Language Model Agents [52.13094810313054]
  TimeCAPは、時系列データのコンテキスト化ツールとしてLarge Language Models(LLM)を創造的に利用する時系列処理フレームワークである。 TimeCAPには2つの独立したLCMエージェントが組み込まれており、1つは時系列のコンテキストをキャプチャするテキスト要約を生成し、もう1つはより情報のある予測を行うためにこのリッチな要約を使用する。 実世界のデータセットによる実験結果から,TimeCAPは時系列イベント予測の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-17T04:17:27Z)
• TempoGPT: Enhancing Time Series Reasoning via Quantizing Embedding [13.996105878417204]
  本稿では,マルチモーダル時系列データ構築手法とマルチモーダル時系列言語モデル(TLM, TempoGPT)を提案する。 ホワイトボックスシステム内の変数-システム関係を解析することにより,複雑な推論タスクのためのマルチモーダルデータを構築する。 広範な実験により、TempoGPTは時間的情報を正確に知覚し、結論を論理的に推論し、構築された複雑な時系列推論タスクにおける最先端の処理を達成することが示されている。
  論文  参考訳（メタデータ） (2025-01-13T13:47:05Z)
• Domain-Oriented Time Series Inference Agents for Reasoning and Automated Analysis [19.649769354503658]
  本稿では,自然言語推論と正確な数値実行を統合したドメイン指向時系列エージェントTS-Reasonerを紹介する。 基本時系列理解と複雑な多段階推論という2つの軸でその能力を評価する。
  論文  参考訳（メタデータ） (2024-10-05T06:04:19Z)
• Confident Adaptive Language Modeling [95.45272377648773]
  CALMは、入力と生成時間ごとに異なる量の計算を動的に割り当てるフレームワークである。 ハイパフォーマンスを確実に維持しつつ、計算能力、潜在的スピードアップを最大3ドルまで削減する上で、我々のフレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-14T17:00:19Z)

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。