論文の概要: LLaTiSA: Towards Difficulty-Stratified Time Series Reasoning from Visual Perception to Semantics

• arxiv url: http://arxiv.org/abs/2604.17295v1
• Date: Sun, 19 Apr 2026 07:25:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.443609
• Title: LLaTiSA: Towards Difficulty-Stratified Time Series Reasoning from Visual Perception to Semantics
• Title（参考訳）: LLaTiSA:視覚知覚から意味論へ
• Authors: Yueyang Ding, HaoPeng Zhang, Rui Dai, Yi Wang, Tianyu Zong, Kaikui Liu, Xiangxiang Chu,
• Abstract要約: 認知複雑性を増大させる4段階の分類法を用いて時系列推論(TSR)を定式化する。 83kサンプルからなる階層型時系列推論データセットであるHiTSRを紹介する。 LLaTiSAは,可視化されたパターンと精度校正された数値表を統合する強力なTSRMである。
• 参考スコア（独自算出の注目度）: 17.526717659095834
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Comprehensive understanding of time series remains a significant challenge for Large Language Models (LLMs). Current research is hindered by fragmented task definitions and benchmarks with inherent ambiguities, precluding rigorous evaluation and the development of unified Time Series Reasoning Models(TSRMs). To bridge this gap, we formalize Time Series Reasoning (TSR) via a four-level taxonomy of increasing cognitive complexity. We introduce HiTSR, a hierarchical time series reasoning dataset comprising 83k samples with diverse task combinations and verified Chain-of-Thought (CoT) trajectories. Leveraging HiTSR, we propose LLaTiSA, a strong TSRM that integrates visualized patterns with precision-calibrated numerical tables to enhance the temporal perception of Vision-Language Models (VLMs). Through a multi-stage curriculum fine-tuning strategy, LLaTiSA achieves superior performance and exhibits robust out-of-distribution generalization across diverse TSR tasks and real-world scenarios. Our code is available at https://github.com/RainingNovember/LLaTiSA.
• Abstract（参考訳）: 時系列の包括的理解は、Large Language Models (LLM) にとって重要な課題である。 現在の研究は、厳密な評価と統合時系列推論モデル(TSRM)の開発を前提として、タスク定義の断片化と固有の曖昧さのベンチマークによって妨げられている。 このギャップを埋めるために、認知複雑性を増大させる4段階の分類によって時系列推論(TSR)を定式化する。 タスクの組み合わせが多様である83kのサンプルと、CoT(Chain-of-Thought)トラジェクトリを検証した階層的時系列推論データセットであるHiTSRを紹介する。 HiTSRを活用することで、視覚・言語モデル(VLM)の時間知覚を高めるために、可視化されたパターンと精度校正された数値テーブルを統合する強力なTSRMであるLLaTiSAを提案する。 多段階のカリキュラムの微調整戦略により、LLaTiSAは優れた性能を達成し、多様なTSRタスクや実世界のシナリオにまたがる堅牢なアウト・オブ・ディストリビューションの一般化を示す。 私たちのコードはhttps://github.com/Raining November/LLaTiSA.comで利用可能です。

関連論文リスト

• Time Series Reasoning via Process-Verifiable Thinking Data Synthesis and Scheduling for Tailored LLM Reasoning [46.72047865932384]
  データ合成、データスケジューリング、RLトレーニングを通じて、時系列推論のための大規模言語モデルをカスタマイズするフレームワークであるVeriTimeを紹介した。 大規模な実験により、VeriTime は様々な時系列推論タスクにおける LLM のパフォーマンスを大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2026-02-08T05:42:35Z)
• 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)
• 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)
• BALM-TSF: Balanced Multimodal Alignment for LLM-Based Time Series Forecasting [5.360725360679271]
  BALM-TSFは時系列予測のための軽量フレームワークである。 時系列とテキスト埋め込みのバランスを維持する。 長期および少数ショットの予測において、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-30T22:31:55Z)
• Continual Learning for VLMs: A Survey and Taxonomy Beyond Forgetting [70.83781268763215]
  視覚言語モデル(VLM)は、大規模事前学習を活用することで、多様なマルチモーダルタスクにおいて優れたパフォーマンスを実現している。 VLMは、クロスモーダル機能ドリフト、共有アーキテクチャによるパラメータ干渉、ゼロショット機能侵食など、ユニークな課題に直面している。 本調査は、生涯の視覚言語システムを開発する研究者にとって、包括的かつ診断的な基準となることを目的としている。
  論文  参考訳（メタデータ） (2025-08-06T09:03:10Z)
• LLM-PS: Empowering Large Language Models for Time Series Forecasting with Temporal Patterns and Semantics [56.99021951927683]
  Time Series Forecasting (TSF) は、金融計画や健康モニタリングなど、多くの現実世界のドメインにおいて重要である。 既存のLarge Language Models (LLM) は通常、時系列データ固有の特性を無視するため、非最適に実行する。 時系列データから基本的なtextitPatterns と有意義な textitSemantics を学習し,TLF のための LLM-PS を提案する。
  論文  参考訳（メタデータ） (2025-03-12T11:45:11Z)
• A Picture is Worth A Thousand Numbers: Enabling LLMs Reason about Time Series via Visualization [38.843506917740115]
  我々は,大規模言語モデルの時系列推論(TsR)性能を評価するための,最初の総合的なテストベッドであるTimerBedを提案する。 そこで本稿では,可視化モデルデータと言語誘導推論を用いたプロンプトベースのVL-Timeを提案する。
  論文  参考訳（メタデータ） (2024-11-09T00:35:29Z)
• Analyzing Temporal Complex Events with Large Language Models? A Benchmark towards Temporal, Long Context Understanding [57.62275091656578]
  時間的複合イベント(TCE)として、長い期間にわたって多くのニュース記事から構成される複合イベントについて述べる。 本稿では,Large Language Models (LLMs) を用いて,TCE内のイベントチェーンを系統的に抽出し,解析する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:42:17Z)
• 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。