論文の概要: QuAnTS: Question Answering on Time Series

• arxiv url: http://arxiv.org/abs/2511.05124v1
• Date: Fri, 07 Nov 2025 10:07:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.732523
• Title: QuAnTS: Question Answering on Time Series
• Title（参考訳）: QuAnTS: 時系列に関する質問
• Authors: Felix Divo, Maurice Kraus, Anh Q. Nguyen, Hao Xue, Imran Razzak, Flora D. Salim, Kristian Kersting, Devendra Singh Dhami,
• Abstract要約: 時系列データに対する質問応答のための新しい時系列QAデータセットQuAnTSを提案する。 我々は、追跡された骨格軌道の形で、人間の動きに関する様々な疑問と答えを提示する。 大規模なQuAnTSデータセットは、広範囲な実験を通じて十分に形成され、包括的であることを検証する。
• 参考スコア（独自算出の注目度）: 50.91478742616324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text offers intuitive access to information. This can, in particular, complement the density of numerical time series, thereby allowing improved interactions with time series models to enhance accessibility and decision-making. While the creation of question-answering datasets and models has recently seen remarkable growth, most research focuses on question answering (QA) on vision and text, with time series receiving minute attention. To bridge this gap, we propose a challenging novel time series QA (TSQA) dataset, QuAnTS, for Question Answering on Time Series data. Specifically, we pose a wide variety of questions and answers about human motion in the form of tracked skeleton trajectories. We verify that the large-scale QuAnTS dataset is well-formed and comprehensive through extensive experiments. Thoroughly evaluating existing and newly proposed baselines then lays the groundwork for a deeper exploration of TSQA using QuAnTS. Additionally, we provide human performances as a key reference for gauging the practical usability of such models. We hope to encourage future research on interacting with time series models through text, enabling better decision-making and more transparent systems.
• Abstract（参考訳）: テキストは情報への直感的なアクセスを提供する。 これは特に数値時系列の密度を補うことができ、これにより時系列モデルとの相互作用が改善され、アクセシビリティと意思決定が向上する。 質問応答データセットとモデルの作成は近年顕著な成長を遂げているが、ほとんどの研究は、視覚とテキストに関する質問応答(QA)に焦点を当てており、時系列は数分の注意を払っている。 このギャップを埋めるため,時系列データに対する質問応答のための新しい時系列QAデータセットQuAnTSを提案する。 具体的には、追跡された骨格軌跡の形で、人間の動きに関する様々な質問や回答を提示する。 大規模なQuAnTSデータセットは、広範囲な実験を通じて十分に形成され、包括的であることを検証する。 既存のベースラインと新たに提案されたベースラインを徹底的に評価し、QuAnTSを用いたTSQAのより深い探査の基礎となる。 さらに,このようなモデルの実用的ユーザビリティ向上のための重要な基準として,人間のパフォーマンスを提供する。 今後は、テキストによる時系列モデルとの対話を奨励し、より良い意思決定とより透過的なシステムを可能にしたいと考えています。

関連論文リスト

• Time-MQA: Time Series Multi-Task Question Answering with Context Enhancement [55.2439260314328]
  Time Series Multi-Task Question Answering (Time-MQA)は、複数の時系列タスクにわたる自然言語クエリを可能にする統合フレームワークである。 Time-MQAの中心はTSQAデータセットである。
  論文  参考訳（メタデータ） (2025-02-26T13:47:13Z)
• 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)
• 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)
• Empowering Time Series Analysis with Foundation Models: A Comprehensive Survey [32.794229758722985]
  時系列データは、様々な現実世界のアプリケーションに分散している。 従来のアプローチは主にタスク固有のもので、限られた機能と低転送性を提供します。 ファンデーションモデルは、その顕著なクロスタスク転送可能性によって、NLPとCVに革命をもたらした。
  論文  参考訳（メタデータ） (2024-05-03T03:12:55Z)
• UNK-VQA: A Dataset and a Probe into the Abstention Ability of Multi-modal Large Models [55.22048505787125]
  本稿ではUNK-VQAと呼ばれる包括的データセットを提案する。 まず、画像または疑問について意図的に摂動することで、既存のデータを拡大する。 そこで我々は,新たなマルチモーダル大規模モデルのゼロショット性能と少数ショット性能を広範囲に評価した。
  論文  参考訳（メタデータ） (2023-10-17T02:38:09Z)

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。