論文の概要: KairosVL: Orchestrating Time Series and Semantics for Unified Reasoning

• arxiv url: http://arxiv.org/abs/2602.20494v1
• Date: Tue, 24 Feb 2026 02:50:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.582867
• Title: KairosVL: Orchestrating Time Series and Semantics for Unified Reasoning
• Title（参考訳）: KairosVL: 統合推論のための時系列とセマンティクスのオーケストレーション
• Authors: Haotian Si, Changhua Pei, Xiao He, Zeyan Li, Zhe Xie, Zexin Wang, Jiyao Hu, Zhaoyang Yu, Tieying Zhang, Dan Pei, Jianhui Li, Gaogang Xie,
• Abstract要約: 本稿では,セマンティック・コンディショナル・時系列推論タスクを紹介する。 これは、文脈的および意味的理解を組み込むために、純粋に数値的なモデリングを超えて従来の時系列解析を拡張している。 そこで本研究では,モードの推論能力を高めるための2ラウンド強化学習フレームワークを提案する。 結果のモデルであるKairosVLは、合成タスクと実世界のタスクの両方で競合性能を達成する。
• 参考スコア（独自算出の注目度）: 16.6726039746003
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Driven by the increasingly complex and decision-oriented demands of time series analysis, we introduce the Semantic-Conditional Time Series Reasoning task, which extends conventional time series analysis beyond purely numerical modeling to incorporate contextual and semantic understanding. To further enhance the mode's reasoning capabilities on complex time series problems, we propose a two-round reinforcement learning framework: the first round strengthens the mode's perception of fundamental temporal primitives, while the second focuses on semantic-conditioned reasoning. The resulting model, KairosVL, achieves competitive performance across both synthetic and real-world tasks. Extensive experiments and ablation studies demonstrate that our framework not only boosts performance but also preserves intrinsic reasoning ability and significantly improves generalization to unseen scenarios. To summarize, our work highlights the potential of combining semantic reasoning with temporal modeling and provides a practical framework for real-world time series intelligence, which is in urgent demand.
• Abstract（参考訳）: 時系列分析の複雑化と意思決定を主眼とした要求により,従来の時系列解析を純粋に数値モデリングを超えて拡張し,文脈的・意味的理解を取り入れたセマンティック・コンディション・時系列推論タスクを導入する。 複雑な時系列問題におけるモードの推論能力をさらに強化するため,第1ラウンドではモードの基本的時間的プリミティブに対する認識が強化され,第2ラウンドでは意味論的推論に焦点を当てた2ラウンド強化学習フレームワークを提案する。 結果のモデルであるKairosVLは、合成タスクと実世界のタスクの両方で競合性能を達成する。 大規模な実験とアブレーション研究により、我々のフレームワークは性能を向上するだけでなく、本質的な推論能力を保ち、目に見えないシナリオへの一般化を大幅に改善することを示した。 要約すると、本研究は意味論的推論と時間的モデリングを組み合わせる可能性を強調し、緊急の要求である実世界の時系列インテリジェンスのための実践的な枠組みを提供する。

関連論文リスト

• Conversational Time Series Foundation Models: Towards Explainable and Effective Forecasting [13.958506262265871]
  大規模言語モデル(LLM)は強力な推論機能を提供するが、時系列予測への直接適用は効果がないことが証明されている。 SHAPに基づく忠実度スコアによって導かれるR1スタイルの微調整プロセスを導入し,重みを意味のある因果文として解釈するモデルを指導する。 提案手法は,CRPSとMASEの両指標において,先行時系列基礎モデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-12-17T23:14:38Z)
• TempR1: Improving Temporal Understanding of MLLMs via Temporal-Aware Multi-Task Reinforcement Learning [25.848638804759872]
  MLLM(Multimodal Large Language Models)の時間的理解の促進は,映像解析の進歩に不可欠である。 本研究では,MLLMの時間的理解を体系的に強化する時間的マルチタスク強化学習フレームワークであるTempR1を提案する。
  論文  参考訳（メタデータ） (2025-12-03T16:57:00Z)
• Thinking with Drafts: Speculative Temporal Reasoning for Efficient Long Video Understanding [56.7383554589569]
  人間のような知性には長いビデオ理解が不可欠であり、時間的文脈を超越したコヒーレントな認識と推論を可能にする。 強化学習に基づく投機的時間的推論フレームワークであるSpecTempを提案する。 我々はSpecTempが競争精度を維持するだけでなく、既存の思考とフレームの手法と比較して推論を著しく加速することを示した。
  論文  参考訳（メタデータ） (2025-11-30T09:27:59Z)
• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• USTEP: Spatio-Temporal Predictive Learning under A Unified View [62.58464029270846]
  UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2023-10-09T16:17:42Z)
• An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
  本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。 本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-19T10:15:00Z)
• Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
  Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-05-17T22:02:24Z)

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。