論文の概要: PATRA: Pattern-Aware Alignment and Balanced Reasoning for Time Series Question Answering

• arxiv url: http://arxiv.org/abs/2602.23161v1
• Date: Thu, 26 Feb 2026 16:20:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.769467
• Title: PATRA: Pattern-Aware Alignment and Balanced Reasoning for Time Series Question Answering
• Title（参考訳）: PATRA:時系列質問応答のためのパターン認識アライメントと平衡推論
• Authors: Junkai Lu, Peng Chen, Xingjian Wu, Yang Shu, Chenjuan Guo, Christian S. Jensen, Bin Yang,
• Abstract要約: 本稿では,時系列から傾向や季節パターンを抽出し,より深いアライメントを実現するパターン認識機構を提案する。 PATRAは,様々な時系列質問回答(TSQA)タスクにおいて,強いベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 28.913716968083282
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series reasoning demands both the perception of complex dynamics and logical depth. However, existing LLM-based approaches exhibit two limitations: they often treat time series merely as text or images, failing to capture the patterns like trends and seasonalities needed to answer specific questions; and when trained on a mix of simple and complex tasks, simpler objectives often dominate the learning process, hindering the development of deep reasoning capabilities. To address these limitations, we propose the Pattern-Aware Alignment and Balanced Reasoning model (PATRA), introducing a pattern-aware mechanism that extracts trend and seasonality patterns from time series to achieve deep alignment. Furthermore, we design a task-aware balanced reward to harmonize learning across tasks of varying difficulty, incentivizing the generation of coherent Chains of Thought. Extensive experiments show that PATRA outperforms strong baselines across diverse Time Series Question Answering (TSQA) tasks, demonstrating superior cross-modal understanding and reasoning capability.
• Abstract（参考訳）: 時系列推論は複雑な力学と論理的な深さの両方の認識を要求する。 しかし、既存のLCMベースのアプローチでは、時系列を単にテキストや画像として扱うこと、特定の質問に答えるために必要な傾向や季節といったパターンを捉えないこと、単純なタスクと複雑なタスクを混ぜてトレーニングした場合、単純な目的が学習プロセスを支配し、深い推論能力の発達を妨げること、の2つの制限がある。 これらの制約に対処するため,パターンアライメントとバランスド推論モデル (PATRA) を提案し,時系列から傾向や季節パターンを抽出し,より深いアライメントを実現するパターンアライメント機構を提案する。 さらに,課題に応じたバランスの取れた報酬を設計し,難易度の異なるタスク間での学習を調和させ,思考のコヒーレントな連鎖の生成を促す。 広範囲にわたる実験の結果,PATRAは時系列質問回答(TSQA)タスクで強いベースラインを達成し,クロスモーダル理解と推論能力に優れていた。

関連論文リスト

• Saliency-Aware Multi-Route Thinking: Revisiting Vision-Language Reasoning [50.62037276161025]
  視覚言語モデル(VLM)は、視覚とテキストのモダリティを共同で活用することを目的としている。 主な障害は、視覚的な入力は通常、生成開始時に1回だけ提供されることである。 EmphSaliency-Aware Principle (SAP) の選択を提案する。
  論文  参考訳（メタデータ） (2026-02-18T18:49:56Z)
• Why Attention Patterns Exist: A Unifying Temporal Perspective Analysis [61.597286699809395]
  textbfTemporal Attention Pattern Predictability Analysis (TAPPA)を紹介する。 TAPPAは、注意パターンを明確な規則性を持つ予測可能なパターンと、効果的にランダムに見える予測不可能なパターンと特徴付けている。 クエリ,キー,ロータリー位置埋め込み(RoPE)の結合効果による3つの代表的な症例の詳細な数学的解析を行う。
  論文  参考訳（メタデータ） (2026-01-29T13:40:23Z)
• Deep But Reliable: Advancing Multi-turn Reasoning for Thinking with Images [53.373427633330515]
  DRIMは,マルチモーダルCoTの画像について考える際に,深層かつ信頼性の高いマルチターン推論を可能にするモデルである。 高精細画像データセットに基づいて,高精細かつ検証可能な視覚的問合せ対を構築する。 SFTの段階では,ツールトラジェクトリをコールドスタートデータとして収集し,マルチターン推論パターンを導出する。 RLの段階では、冗長性を考慮したポリシー最適化を導入し、自己反射的推論パターンを開発するためのモデルにインセンティブを与える。
  論文  参考訳（メタデータ） (2025-12-19T07:44:43Z)
• Provable Benefit of Curriculum in Transformer Tree-Reasoning Post-Training [76.12556589212666]
  学習後のカリキュラムは指数関数的複雑性のボトルネックを回避していることを示す。 結果のみの報酬信号の下では、強化学習の微調整は、サンプルの複雑さを高い精度で達成する。 カリキュラムを意識したクエリにより、報奨託書の呼び出しとサンプリングコストの両方を指数関数的に削減するテストタイムスケーリングの保証を確立する。
  論文  参考訳（メタデータ） (2025-11-10T18:29:54Z)
• Eliciting Chain-of-Thought Reasoning for Time Series Analysis using Reinforcement Learning [2.426309874608745]
  複雑な数値時系列解析は、しばしば現在のモデルの範囲を超えて多段階の推論能力を必要とする。 我々は,大規模言語モデルを訓練して,多種多様な時系列タスクに対して,検証可能な報酬付き強化学習(RL)を用いた推論を行うための,最初のフレームワークであるCOUNTS(Chain Of thought for Understanding Numerical Time Series)を紹介した。 実験により、中間CoT推論を用いたこのRL駆動方式は、様々な時系列解析タスクにおけるLLM性能を大幅に向上させ、複雑な時間的データ推論の新たな可能性を開くことを実証した。
  論文  参考訳（メタデータ） (2025-10-01T17:02:28Z)
• Less is More Tokens: Efficient Math Reasoning via Difficulty-Aware Chain-of-Thought Distillation [82.2288581878096]
  本稿では,問題複雑性に基づいてモデルに推論深度を動的に調整する難易度推論の枠組みを提案する。 モデルにそのような動的推論経路を与えることができ、アーキテクチャ上の変更を加えることなく実現可能であることを示す。
  論文  参考訳（メタデータ） (2025-09-05T16:40:13Z)
• 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)
• Progressively Guide to Attend: An Iterative Alignment Framework for Temporal Sentence Grounding [53.377028000325424]
  時間的文接地作業のための反復アライメントネットワーク(IA-Net)を提案する。 学習可能なパラメータを持つマルチモーダル特徴をパットすることで、非整合フレームワードペアの非整合問題を軽減する。 また、アライメントの知識を洗練させるために、各アライメントモジュールに従ってキャリブレーションモジュールを考案する。
  論文  参考訳（メタデータ） (2021-09-14T02:08:23Z)

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。