論文の概要: TSRouter: Dynamic Modality-Model Selection for Time Series Reasoning

• arxiv url: http://arxiv.org/abs/2607.08940v1
• Date: Thu, 09 Jul 2026 21:09:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.739108
• Title: TSRouter: Dynamic Modality-Model Selection for Time Series Reasoning
• Title（参考訳）: TSRouter: 時系列推論のための動的モードモデル選択
• Abstract要約: 実世界の問題解決には時系列推論が不可欠である。 大規模言語モデル(LLM)と視覚言語モデル(VLM)は時系列データについて推論することができる。 グラフベースの動的ルーティングフレームワークTSを紹介する。
• 参考スコア（独自算出の注目度）: 29.41888837689613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series reasoning is essential for real-world problem-solving. While both Large Language Models (LLMs) and Vision-Language Models (VLMs) can reason about time-series data, their capabilities are complementary: LLMs process time series as text sequences and thus preserve exact numerical understanding, but struggle with global patterns, whereas VLMs efficiently capture these patterns by visualizing time series but may lose fine-grained details. Moreover, models vary significantly in task-specific expertise and inference costs. Dynamically selecting the most suitable modality and model for each query is therefore crucial, yet challenging because it requires modeling the complex interactions among tasks, queries, modalities, and models, which carry rich contextual signals. To this end, we introduce TSRouter, a graph-based dynamic routing framework. TSRouter constructs a heterogeneous graph of task, query, modality, and model nodes to contextualize the interactions among query characteristics, modality attributes, and model capabilities. TSRouter formulates routing as a candidate scoring problem, where each modality-model pair is evaluated based on user-defined performance-cost preferences to select the optimal candidate. Comprehensive evaluations on 4 distinct time series reasoning tasks reveal that TSRouter substantially outperforms diverse baselines with 16\% to 46\% relative improvements. Furthermore, TSRouter demonstrates robust zero-shot plug-and-play generalization to unseen models and novel tasks and preserves high performance while reducing computational overhead through cost-aware optimization. Our code is available at https://github.com/tianyi-lab/TSRouter.
• Abstract（参考訳）: 実世界の問題解決には時系列推論が不可欠である。 LLM(Large Language Models)とVLM(Vision-Language Models)はどちらも時系列データを推論できるが、それらの機能は補完的である: LLMはテキストシーケンスとして時系列を処理し、正確な数値的理解を維持するが、大域的なパターンと競合する。 さらに、モデルはタスク固有の専門知識と推論コストに大きく異なる。 そのため、各クエリに最適なモダリティとモデルを動的に選択することは重要であるが、リッチなコンテキスト信号を運ぶタスク、クエリ、モダリティ、モデル間の複雑な相互作用をモデル化する必要があるため、難しい。 この目的のために,グラフベースの動的ルーティングフレームワークであるTSRouterを紹介する。 TSRouterは、タスク、クエリ、モダリティ、モデルノードの異種グラフを構築し、クエリ特性、モダリティ属性、モデル機能間の相互作用をコンテキスト化する。 TSRouterは、最適候補を選択するために、ユーザ定義のパフォーマンスコスト設定に基づいて、各モダリティモデルペアの評価を行う、候補スコアリング問題としてルーティングを定式化する。 4つの異なる時系列推論タスクに関する総合的な評価から、TSRouterは16\%から46\%の相対的な改善で様々なベースラインを大幅に上回っていることが明らかとなった。 さらに、TSRouterは、未知のモデルや新しいタスクに対して堅牢なゼロショット・プラグ・アンド・プレイの一般化を示し、コスト・アウェア・最適化による計算オーバーヘッドを低減しつつ高い性能を保っている。 私たちのコードはhttps://github.com/tianyi-lab/TSRouter.comから入手可能です。

関連論文リスト

• LatentRouter: Can We Choose the Right Multimodal Model Before Seeing Its Answer? [69.71754384259167]
  マルチモーダル大言語モデル(MLLM)は、OCR、チャート理解、空間的推論、視覚的質問応答、コスト、レイテンシにまたがるヘテロジニアスな強度を持つ。 本稿では,MLLMルーティングを実効的マルチモーダルユーティリティ予測として定式化するルータであるLatentを提案する。 MMR-BenchとVL-Benchの実験では、Latentは固定モデル、特徴レベル、学習ルータベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2026-05-11T22:42:12Z)
• Task-Aware LLM Routing with Multi-Level Task-Profile-Guided Data Synthesis for Cold-Start Scenarios [51.44288759906005]
  大規模言語モデル(LLM)は、タスクやクエリにまたがるパフォーマンスと計算コストにかなりのばらつきを示す。 本稿では,タスクタイプ変数によるクエリ条件付きコストと性能をモデル化するタスクタイプ対応ルータTを紹介する。
  論文  参考訳（メタデータ） (2026-04-10T14:46:20Z)
• BEDTime: A Unified Benchmark for Automatically Describing Time Series [8.466823017204641]
  我々は、成功したマルチモーダルモデルは時系列の言語記述を認識し、区別し、生成することができるべきだと論じる。 次に、各タスクのモデルを評価する最初のベンチマークデータセットであるBEDTimeを作成します。 BEDTimeを用いて、13の最先端モデルを評価し、専用時系列基礎モデルの性能が著しく低下していることを見出した。
  論文  参考訳（メタデータ） (2025-09-05T16:18:20Z)
• RCR-Router: Efficient Role-Aware Context Routing for Multi-Agent LLM Systems with Structured Memory [57.449129198822476]
  RCRは、マルチエージェント大言語モデル(LLM)システムのためのロールアウェアコンテキストルーティングフレームワークである。 役割とタスクステージに基づいて、各エージェントに対して意味的に関連するメモリサブセットを動的に選択する。 軽量スコアリングポリシは、メモリ選択をガイドし、エージェント出力を共有メモリストアに統合する。
  論文  参考訳（メタデータ） (2025-08-06T21:59:34Z)
• PanMatch: Unleashing the Potential of Large Vision Models for Unified Matching Models [80.65273820998875]
  頑健な対応マッチングのための汎用基盤モデルであるPanMatchを提案する。 我々の重要な洞察は、任意の2フレーム対応タスクが2次元変位推定フレームワーク内で処理可能であることである。 PanMatchは、偏差推定アルゴリズムを前例のない一般化能力で実現し、マルチタスク統合を実現する。
  論文  参考訳（メタデータ） (2025-07-11T08:18:52Z)
• UniTS: A Unified Multi-Task Time Series Model [31.675845788410246]
  UniTSは、予測タスクと生成タスクを単一のフレームワークに統合した、統合されたマルチタスク時系列モデルである。 UniTSは、人間の活動センサー、ヘルスケア、エンジニアリング、ファイナンスにまたがる38のデータセットでテストされている。
  論文  参考訳（メタデータ） (2024-02-29T21:25:58Z)
• An Efficient Content-based Time Series Retrieval System [38.08752335975434]
  そこで本研究では,代替モデルよりも効率的かつ効率的なCTSRモデルを提案する。 その結果,本モデルがトランザクションデータ問題に対して,他のモデルと比較して最も適した解であることが判明した。
  論文  参考訳（メタデータ） (2023-10-05T21:52:19Z)

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。