論文の概要: Adaptive Time Series Reasoning via Segment Selection

• arxiv url: http://arxiv.org/abs/2602.18645v1
• Date: Fri, 20 Feb 2026 22:37:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.217956
• Title: Adaptive Time Series Reasoning via Segment Selection
• Title（参考訳）: セグメント選択による適応時系列推論
• Authors: Shvat Messica, Jiawen Zhang, Kevin Li, Theodoros Tsiligkaridis, Marinka Zitnik,
• Abstract要約: ARTISTは時系列推論を逐次決定問題として定式化する。 適応時間セグメント選択による推論をインターリーブする。 平均精度は最強のベースラインで6.46ポイント向上する。
• 参考スコア（独自算出の注目度）: 26.93604782076093
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series reasoning tasks often start with a natural language question and require targeted analysis of a time series. Evidence may span the full series or appear in a few short intervals, so the model must decide what to inspect. Most existing approaches encode the entire time series into a fixed representation before inference, regardless of whether or not the entire sequence is relevant. We introduce ARTIST, which formulates time-series reasoning as a sequential decision problem. ARTIST interleaves reasoning with adaptive temporal segment selection. It adopts a controller-reasoner architecture and uses reinforcement learning to train the controller role to select informative segments and the reasoner role to generate segment-conditioned reasoning traces and final answers. During inference, the model actively acquires task-relevant information instead of relying on a static summary of the full sequence. We use a novel hierarchical policy optimization approach for post-training that allows the model to excel in both segment selection and question-answering behavior. We evaluate ARTIST on six time-series reasoning benchmarks and compare it with large language models, vision-language models, and prior time-series reasoning systems. ARTIST improves average accuracy by 6.46 absolute percentage points over the strongest baseline. The largest gains appear on rare event localization and multi-segment reasoning tasks. Supervised fine-tuning improves performance, and reinforcement learning provides additional gains by optimizing question-adaptive segment selection. These results show that selective data use drives effective time-series reasoning.
• Abstract（参考訳）: 時系列推論タスクは、しばしば自然言語の質問から始まり、時系列のターゲット分析を必要とする。 証拠は全シリーズにまたがる場合もあるし、短い間隔で現れることもあるので、モデルは検査するべきものを決定する必要がある。 既存のほとんどのアプローチは、シーケンス全体が関係しているかどうかに関わらず、推論の前に時系列全体を固定表現にエンコードする。 本稿では時系列推論を逐次決定問題として定式化するARTISTを紹介する。 ARTISTは適応時間セグメント選択による推論をインターリーブする。 コントローラレゾナーアーキテクチャを採用し、強化学習を使用して、制御ロールを訓練し、情報セグメントと推論ロールを選択し、セグメント条件の推論トレースと最終回答を生成する。 推論中、モデルは全シーケンスの静的な要約に頼るのではなく、タスク関連情報を積極的に取得する。 我々は、セグメント選択と質問応答の双方においてモデルが優れているような、新しい階層的なポリシー最適化アプローチをポストトレーニングに使用しています。 ARTISTを6つの時系列推論ベンチマークで評価し,大規模言語モデル,視覚言語モデル,先行時系列推論システムと比較した。 ARTISTは最強のベースライン上で平均精度を6.46絶対パーセンテージポイント改善する。 最大の利益は、まれなイベントのローカライゼーションとマルチセグメント推論タスクに現れる。 改良された微調整により性能が向上し、質問適応セグメント選択を最適化することで強化学習がさらに向上する。 これらの結果から,選択データの利用は時系列推論に有効であることが示唆された。

関連論文リスト

• TSAQA: Time Series Analysis Question And Answering Benchmark [85.35545785252309]
  時系列データは、金融、医療、交通、環境科学といった分野における重要な応用に不可欠である。 TSAQAはタスクカバレッジを拡大し、多様な時間的分析能力を評価するために設計された新しい統合ベンチマークである。
  論文  参考訳（メタデータ） (2026-01-30T17:28:56Z)
• QuAnTS: Question Answering on Time Series [50.91478742616324]
  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。
  論文  参考訳（メタデータ） (2025-11-07T10:07:03Z)
• An Empirical Evaluation of Factors Affecting SHAP Explanation of Time Series Classification [1.5224436211478214]
  セグメント構成が説明品質にどのように影響するかを理解するために,8種類の時系列アルゴリズムについて検討する。 その結果,セグメントの数は,特定のセグメント化法よりも説明品質に大きく影響していることがわかった。 そこで本研究では,セグメントの長さによって重み付けを行う新しい属性正規化手法を提案する。
  論文  参考訳（メタデータ） (2025-09-03T18:55:23Z)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• 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)
• Large Pre-trained time series models for cross-domain Time series analysis tasks [20.228846068418765]
  Large Pre-trained Time-Series Models (LPTM) は、事前トレーニング中に最適なデータセット固有のセグメンテーション戦略を自動的に識別する適応セグメンテーションの新しい手法である。 LPTMは、最先端のベースラインに比べて最大40%データが少なく、トレーニング時間も50%少ない。
  論文  参考訳（メタデータ） (2023-11-19T20:16:16Z)
• Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
  コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。 対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。 本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
  論文  参考訳（メタデータ） (2023-03-21T15:02:50Z)

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。