論文の概要: A Cost-Effective Multimodal LLM Reasoning Framework for Question Answering over Irregular Clinical Time Series

• arxiv url: http://arxiv.org/abs/2607.25947v1
• Date: Tue, 28 Jul 2026 16:33:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.919487
• Title: A Cost-Effective Multimodal LLM Reasoning Framework for Question Answering over Irregular Clinical Time Series
• Title（参考訳）: 不規則な臨床経過に対する質問応答のための費用対効果型マルチモーダルLCM推論フレームワーク
• Authors: Frank Nie, Ethan B Liu, Yuan Zhu, Wei Fan, Jindong Han,
• Abstract要約: 不規則な臨床時系列(ICTS)に対する質問応答は、幅広い医療応用において重要な役割を担っている。 近年のマルチモーダル時系列大言語モデル (LLM) は, 汎用時系列QAにおいて有望であることを示す。 我々は,ICTSデータに対する質問応答のための費用対効果の高いマルチモーダルLCM推論フレームワークであるClinPRISMを提案する。
• 参考スコア（独自算出の注目度）: 10.789471760777564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Question answering (QA) over irregular clinical time series (ICTS) plays a pivotal role in a wide range of healthcare applications. Although recent multimodal time-series large language models (LLMs) have shown considerable promise in general-purpose time-series QA, they remain poorly equipped to model the sparsity, asynchrony, and irregular sampling patterns of clinical observations. To fill this gap, we propose ClinPRISM, a cost-effective multimodal LLM reasoning framework for question answering over ICTS data. First, we devise an irregularity-aware multi-scale encoder to capture sparse clinical evidence at diverse temporal scales. Then, we propose a temporal evidence distiller to integrate representations across these scales and compress them into a small number of LLM-compatible tokens. Moreover, we introduce a progressive alignment strategy that sequentially aligns the irregular trajectories with the LLM's textual embedding space. To facilitate training, we construct 30,000 clinical time series paired with multi-scale descriptions, together with 41,000 instruction-tuning instances spanning 11 tasks. Using a 4-billion-parameter LLM backbone, ClinPRISM achieves state-of-the-art performance on the held-out evaluation benchmark while using only 16 time-series tokens and achieving an average inference latency of 0.15 seconds per question.
• Abstract（参考訳）: 不規則な臨床時系列(ICTS)に対する質問応答(QA)は、幅広い医療応用において重要な役割を担っている。 近年のマルチモーダル時系列大言語モデル (LLM) は, 汎用時系列QAにおいて有意な可能性を秘めているが, 臨床観察のスパーシリティ, 非同期性, 不規則なサンプリングパターンをモデル化する能力は乏しい。 このギャップを埋めるために、ICTSデータに対する質問応答のための費用対効果の高いマルチモーダルLCM推論フレームワークであるClinPRISMを提案する。 まず,不規則性に配慮したマルチスケールエンコーダを考案し,多種多様な時間的尺度でスパースな臨床証拠を捉えた。 そこで本研究では,これらのスケールで表現を統合し,少量のLCM互換トークンに圧縮する時間的エビデンス蒸留器を提案する。 さらに,不規則な軌道をLLMのテキスト埋め込み空間と逐次整列する進行的アライメント戦略を導入する。 トレーニングを容易にするため,11タスクにまたがる41,000の指導訓練インスタンスとともに,マルチスケール記述と組み合わせた3万の臨床時系列を構築した。 ClinPRISM は 4-billion-parameter LLM バックボーンを用いて、16 の時系列トークンを使用し、質問毎の平均推論レイテンシ 0.15 秒を達成しながら、ホールドアウト評価ベンチマークで最先端のパフォーマンスを達成する。

関連論文リスト

• From Recognition to Understanding: Unlocking Cognitive Time Series Reasoning with LLMs [21.316087276322214]
  時系列分析は、最近Large Language Models (LLMs)と結合して、推論と世界知識の能力を活用している。 TSCognitionは多次元時系列推論のためのマルチモーダルベンチマークである。 本稿では,時系列をコンパクトなパッチレベル表現にエンコードする統合フレームワークTSAlignを提案する。
  論文  参考訳（メタデータ） (2026-06-20T16:08:44Z)
• SPEAR: Soft Prompt Enhanced Anomaly Recognition for Time Series Data [15.670885465827206]
  時系列異常検出は、医療やインターネットトラフィック監視など、幅広い分野において重要な役割を果たす。 大規模言語モデル(LLM)の出現は、ユビキタス時系列データの異常を検出する新たな機会を提供する。 ソフトプロンプト・エンハンスメント・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマ
  論文  参考訳（メタデータ） (2025-10-04T22:20:48Z)
• SciTS: Scientific Time Series Understanding and Generation with LLMs [53.35994674187729]
  SciTSは12の科学領域と43のタスクにまたがるベンチマークである。 テキストのみのLLM、マルチモーダルのLLM、統合時系列モデルを含む17のモデルをベンチマークする。 次に、時系列を理解して生成する能力を備えたLLMに対応するフレームワークであるTime Omniを紹介します。
  論文  参考訳（メタデータ） (2025-09-26T09:25:16Z)
• Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback [55.284574165467525]
  Time-RA(Time-Series Reasoning for Anomaly)は、時系列異常検出を生成的、推論集約的なタスクに変換する。 また,実世界のマルチモーダルベンチマークデータセットであるRATs40Kを導入する。
  論文  参考訳（メタデータ） (2025-07-20T18:02:50Z)
• Large Language Models are Few-shot Multivariate Time Series Classifiers [23.045734479292356]
  大規模言語モデル (LLM) は時系列解析に広く応用されている。 しかし、数発の分類(すなわち重要な訓練シナリオ)におけるそれらの実用性は過小評価されている。 データ不足を克服するために,LLMの学習済み知識を幅広く活用することを目的としている。
  論文  参考訳（メタデータ） (2025-01-30T03:59:59Z)
• ChatTS: Aligning Time Series with LLMs via Synthetic Data for Enhanced Understanding and Reasoning [10.854285913078257]
  本稿では,時系列解析用に設計された新しいMLLMであるChatTSを紹介する。 ChatTSは、視覚MLLMが画像を処理する方法と同様、時系列をモダリティとして扱う。 Time Series Evol-Instructは様々な時系列Q&Aを生成し、モデルの推論能力を高めます。
  論文  参考訳（メタデータ） (2024-12-04T08:06:15Z)
• 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)
• 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。