論文の概要: InA-Probe: Instruction-Aware Active Probing for Time Series Forecasting with LLMs

• arxiv url: http://arxiv.org/abs/2606.08601v1
• Date: Sun, 07 Jun 2026 12:27:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.291727
• Title: InA-Probe: Instruction-Aware Active Probing for Time Series Forecasting with LLMs
• Title（参考訳）: InA-Probe: LLMによる時系列予測のためのインストラクション・アウェアアクティブ・プロービング
• Authors: Peiliang Gong, Emadeldeen Eldele, Chenyu Liu, Ziyu Jia, Yi Ding, Xinliang Zhou, Lianchao Gu, Qi Zhu, Yang Liu, Daoqiang Zhang, Xiaoli Li,
• Abstract要約: 大規模言語モデル(LLM)は、最近、時系列予測の驚くべき可能性を実証した。 Instruction-aware Active Probing (InA-Probe)を提案する。 実験では、InA-Probeは最先端のディープラーニングとLLMベースのベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 45.91332553359387
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have recently demonstrated impressive potential for time series forecasting. However, existing methods predominantly rely on passive modality alignment or static task reprogramming, which often fail to capture fine-grained, non-stationary temporal patterns or to adapt to nuanced task intents. In this paper, we propose Instruction-aware Active Probing (InA-Probe), which shifts the paradigm from passive alignment toward an active, instruction-driven probing mechanism. Specifically, we design a Multi-Level Instruction Injection mechanism that enriches the model with both global task objectives and fine-grained, patch-level semantic priors. Building on this, an Adaptive Query Generation module produces sample-specific probes that are dynamically modulated by the temporal context. These probes are then refined through a dual-stage attention process: they first internalize task-specific intents via Instruction-Aware Self-Attention, and subsequently interrogate the projected temporal representations through Temporal Cross-Attention to extract salient patterns. Comprehensive experiments on seven real-world benchmarks show that InA-Probe consistently outperforms state-of-the-art deep learning and LLM-based baselines, excelling in both one-for-all generalization and zero-shot transfer while reducing forecasting error by up to 37\% in challenging cross-domain scenarios. Ablation studies further confirm that the synergy between adaptive querying and fine-grained instructions is key to unlocking the reasoning power of LLMs for complex time series.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、最近、時系列予測の驚くべき可能性を実証した。 しかし、既存の手法は主にパッシブ・モダリティ・アライメントや静的タスク・リプログラミングに依存しており、細粒度で非定常な時間的パターンを捉えたり、微妙なタスク意図に適応するのに失敗することが多い。 本稿では,インストラクション・アウェア・アクティブ・プロブリング(InA-Probe)を提案する。 具体的には,マルチレベルインストラクション・インジェクション(Multi-Level Instruction Injection)機構を設計する。 これに基づいて、Adaptive Query Generationモジュールは、時間的コンテキストによって動的に変調されるサンプル固有のプローブを生成する。 これらの調査は、まずインストラクション・アウェア・セルフ・アテンションを通じてタスク固有の意図を内部化し、その後、時間的クロス・アテンションを通して予測された時間的表現を尋問し、サルトパターンを抽出する。 実世界の7つのベンチマークに関する総合的な実験によると、InA-Probeは最先端のディープラーニングとLLMベースのベースラインを一貫して上回り、一対一の一般化とゼロショット転送の両方で優れており、クロスドメインシナリオにおいて予測エラーを最大37倍まで削減している。 さらに、適応的なクエリときめ細かい命令の相乗効果が、複雑な時系列に対するLLMの推論能力を解き放つ鍵であることを、アブレーション研究により確認した。

関連論文リスト

• UniT: Unified Multimodal Chain-of-Thought Test-time Scaling [85.590774707406]
  統一モデルは単一のアーキテクチャ内でマルチモーダル理解と生成の両方を扱うことができるが、通常は出力を反復的に書き換えることなく単一のパスで操作する。 マルチモーダルなテストタイムスケーリングのためのフレームワークであるUniTを導入し、単一の統一モデルで複数のラウンドをまたいだ推論、検証、精査を可能にします。
  論文  参考訳（メタデータ） (2026-02-12T18:59:49Z)
• T-LLM: Teaching Large Language Models to Forecast Time Series via Temporal Distillation [7.6933817667680096]
  時系列予測は多くの現実世界のアプリケーションにおいて意思決定において重要な役割を果たす。 本稿では,汎用言語モデルと時系列予測機能を組み合わせた時空間蒸留フレームワークT-LLMを提案する。
  論文  参考訳（メタデータ） (2026-02-02T10:40:27Z)
• On the Paradoxical Interference between Instruction-Following and Task Solving [50.75960598434753]
  次の命令は、大規模言語モデル(LLM)を、タスクの実行方法に関する明示的な制約を指定することで、人間の意図と整合させることを目的としている。 我々は,LLMのタスク解決能力にパラドックス的に干渉する命令に従うという,直感に反する現象を明らかにした。 本稿では,タスク解決に追従する命令の干渉を定量化する指標として,SUSTAINSCOREを提案する。
  論文  参考訳（メタデータ） (2026-01-29T17:48:56Z)
• 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)
• Multi-Patch Prediction: Adapting LLMs for Time Series Representation Learning [22.28251586213348]
  aLLM4TSは、時系列表現学習にLarge Language Models(LLM)を適用する革新的なフレームワークである。 われわれのフレームワークの特筆すべき要素はパッチワイドデコーディング層である。
  論文  参考訳（メタデータ） (2024-02-07T13:51:26Z)
• 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)
• Instruction Position Matters in Sequence Generation with Large Language Models [67.87516654892343]
  大規模言語モデル(LLM)は、翻訳や要約といった条件付きシーケンス生成タスクを実行することができる。 入力文の後にタスク命令の位置をシフトさせることにより,LLMの指示追従能力を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-08-23T12:36:57Z)

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。