論文の概要: Continuity and Ordinality Matter: Constraining Time Series Tokens for Effective Time Series Analysis with Large Language Models

• arxiv url: http://arxiv.org/abs/2605.28866v1
• Date: Fri, 22 May 2026 06:13:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:54.935636
• Title: Continuity and Ordinality Matter: Constraining Time Series Tokens for Effective Time Series Analysis with Large Language Models
• Title（参考訳）: 連続性と日常的事項:大規模言語モデルを用いた効果的な時系列分析のための時系列トークンの制約
• Authors: Musheng Li, Ziying Zhang, Cheng jin, Yuantao Gu,
• Abstract要約: 時系列トークンの固有連続性と順序性を保存することは、トークンベースのTS-LLMの有効性に不可欠である。 本稿では,連続性と順序性を考慮した戦略であるCOM(Continuity and Ordinality Matter)を提案する。 複数の時系列分析ベンチマークにおける実験結果から、COMはトークンベースのTS-LLMの性能を一貫して改善することを示した。
• 参考スコア（独自算出の注目度）: 13.990836412368127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Token-based time series large language models (TS-LLMs) have emerged as a promising direction for time series analysis and reasoning. However, prior studies largely overlook the inherent continuity and ordinality of time series tokens, which substantially limits model performance. In this paper, we argue that preserving these properties in time series token embeddings is crucial for the effectiveness of token-based TS-LLMs. To this end, we propose COM (Continuity and Ordinality Matter), a continuity- and ordinality-aware strategy that integrates geometric constraints into both the initialization and training stages. Empirical results on multiple time series analysis benchmarks demonstrate that COM consistently improves the performance of token-based TS-LLMs, achieving competitive results and strong generalizability. Code is available at https://anonymous.4open.science/r/COM .
• Abstract（参考訳）: Token-based time series large language model (TS-LLMs) は時系列解析と推論のための有望な方向として登場した。 しかし、先行研究は、モデルの性能を著しく制限する時系列トークンの本質的な連続性と順序性を見落としている。 本稿では,これらの特性を時系列トークン埋め込みに保存することは,トークンベースのTS-LLMの有効性に不可欠である,と論じる。 そこで本研究では,初期化段階と訓練段階の両方に幾何学的制約を統合する連続性と順序性を考慮した戦略であるCOM(Continuity and Ordinality Matter)を提案する。 複数の時系列分析ベンチマークの実証結果から、COMはトークンベースのTS-LLMの性能を一貫して改善し、競争的な結果と強力な一般化性を実現している。 コードはhttps://anonymous.4open.science/r/COMで公開されている。

関連論文リスト

• LLaTiSA: Towards Difficulty-Stratified Time Series Reasoning from Visual Perception to Semantics [17.526717659095834]
  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。
  論文  参考訳（メタデータ） (2026-04-19T07:25:45Z)
• LoPT: Lossless Parallel Tokenization Acceleration for Long Context Inference of Large Language Model [9.978777777704083]
  Lossless Parallel Tokenization (LoPT)は、標準的なシーケンシャルトークン化と同じ出力を保証する新しいLosless Parallel Tokenizationフレームワークである。 提案手法では,文字配置に基づくマッチングと動的チャンク長調整を用いて,トークン化されたセグメントの整合とマージを正確に行う。
  論文  参考訳（メタデータ） (2025-11-07T03:30:34Z)
• 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)
• 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)
• Towards Generalisable Time Series Understanding Across Domains [10.350643783811174]
  時系列の不均一性を扱うために特別に設計された新しい事前学習パラダイムを導入する。 本稿では、学習可能なドメインシグネチャ、二重マスキング戦略、正規化相互相関損失を持つトークンサを提案する。 私たちのコードと事前訓練されたウェイトはhttps://www.oetu.com/oetu/otis.comで公開されています。
  論文  参考訳（メタデータ） (2024-10-09T17:09:30Z)
• 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)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• AutoTimes: Autoregressive Time Series Forecasters via Large Language Models [67.83502953961505]
  AutoTimesは時系列を言語トークンの埋め込み空間に投影し、任意の長さで将来予測を生成する。 時系列をプロンプトとして定式化し、ルックバックウィンドウを越えて予測のコンテキストを拡張する。 AutoTimesは、トレーニング可能なパラメータが0.1%、トレーニング/推論のスピードアップが5ドル以上で最先端を実現している。
  論文  参考訳（メタデータ） (2024-02-04T06:59:21Z)
• Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
  時系列予測は多くの実世界の力学系において重要な意味を持つ。 時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。 Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
  論文  参考訳（メタデータ） (2023-10-03T01:31:25Z)

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。