論文の概要: Representing Time Series as Structured Programs for LLM Reasoning

• arxiv url: http://arxiv.org/abs/2606.12481v1
• Date: Wed, 10 Jun 2026 07:42:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.356204
• Title: Representing Time Series as Structured Programs for LLM Reasoning
• Title（参考訳）: LLM推論のための構造化プログラムとしての時系列表現
• Authors: Jaeho Kim, Changhun Oh, Seokhyun Lee, Irina Rish, Changhee Lee,
• Abstract要約: 本稿では,時系列を構造化記号プログラムとして表現する決定論的学習自由法であるT2SP(Time-Series-to-Structured-Program representation)を紹介する。 モデルから時間構造抽出を表現そのものにシフトさせることで、T2SPは既成のLCMを時系列理解のために既存の推論能力を活用することができる。
• 参考スコア（独自算出の注目度）: 24.83778109852643
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large language models (LLMs) have demonstrated strong reasoning and instruction-following capabilities, making them potentially powerful tools for time-series analysis. However, time series lie outside their native textual modality, raising a fundamental question: how should time series be represented so that LLMs can reason about them effectively? Existing work typically serializes raw numerical sequences or fine-tunes pre-trained LLMs on time-series data. These approaches place the burden of extracting temporal structure directly on the LLM, creating a modality mismatch that often degrades performance on long sequences and introduces substantial computational overhead. In this work, we introduce Time-Series-to-Structured-Program representation (T2SP), a deterministic, training-free method that represents a time series as a structured symbolic program. T2SP decomposes time series into trends, periods, and salient events, expressing them in a program-friendly format aligned with the textual and code-like modalities on which LLMs are natively trained. By shifting temporal-structure extraction from the model to the representation itself, T2SP enables off-the-shelf LLMs to leverage their existing reasoning capabilities for time-series understanding. We evaluate T2SP on three reasoning tasks -- editing, captioning, and question answering -- where it consistently improves performance, reduces reasoning time, and lowers failure rates compared with raw-string representations. Our results demonstrate that T2SP provides an effective interface between time series and LLMs.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、強い推論と命令追従能力を示しており、時系列解析の強力なツールとなる可能性がある。 しかし、時系列は原文のモダリティの外側にあるため、基本的な疑問を提起する: LLMがそれらを効果的に理解できるように、時系列はどのように表現されるべきなのか? 既存の作業は通常、時系列データに基づいて生の数値列や微調整済みのLCMをシリアライズする。 これらのアプローチは、LLMに直接時間構造を抽出し、長いシーケンスのパフォーマンスを劣化させ、かなりの計算オーバーヘッドをもたらすモダリティミスマッチを生成する。 本研究では,時系列を構造化記号プログラムとして表現する決定論的学習自由法であるT2SPを提案する。 T2SPは、時系列をトレンド、周期、および有能なイベントに分解し、LLMがネイティブに訓練されたテキストやコードのようなモダリティと整合したプログラムフレンドリーなフォーマットで表現する。 モデルから時間構造抽出を表現そのものにシフトさせることで、T2SPは既成のLCMを時系列理解のために既存の推論能力を活用することができる。 我々は,T2SPを3つの推論タスク – 編集,キャプション,質問応答 – で評価する。 この結果から,T2SPは時系列とLLMの効果的なインターフェースを提供することがわかった。

関連論文リスト

• TS-Reasoner: Aligning Time Series Foundation Models with LLM Reasoning [17.69077698133793]
  時系列推論は、金融、エネルギー利用、交通、天候、科学的発見など、さまざまな領域における意思決定に不可欠である。 LLMは時系列データの数値的理解に苦慮することが多い。 そこで我々は,アライメント事前学習後に微調整を施したトレーニングレシピを開発した。
  論文  参考訳（メタデータ） (2025-10-03T21:20:54Z)
• 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)
• TableTime: Reformulating Time Series Classification as Training-Free Table Understanding with Large Language Models [20.077169400691435]
  大規模言語モデル (LLM) は多変量時系列分類において有効であることを示した。 LLM は LLM の潜在空間内の時系列の埋め込みを直接コードし、LLM の意味空間と一致させる。 MTSCを表理解タスクとして再編成するテーブルタイムを提案する。
  論文  参考訳（メタデータ） (2024-11-24T07:02:32Z)
• Understanding Why Large Language Models Can Be Ineffective in Time Series Analysis: The Impact of Modality Alignment [16.147350486106777]
  大規模言語モデル (LLM) は時系列解析において顕著な性能を示した。 しかしながら、LLMは時系列タスク用に設計されていないため、線形回帰のような単純なモデルは、しばしば同等のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-10-16T07:47:31Z)
• 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。