論文の概要: TimeRLM: Recursive Language Models Enable Precise Anomaly Localization in Long-Context Time-Series

• arxiv url: http://arxiv.org/abs/2608.03391v1
• Date: Tue, 04 Aug 2026 09:40:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.117063
• Title: TimeRLM: Recursive Language Models Enable Precise Anomaly Localization in Long-Context Time-Series
• Title（参考訳）: TimeRLM: 時系列における高精度な局所化を可能にする再帰的言語モデル
• Abstract要約: 我々は、コードと視覚機能を用いて信号を操作する時系列のRLM定式化であるTimeRLMを提案する。 AnomalyXL-MCQとAnomalyXL-Localizeの5つの異なるタスクカテゴリと2つのバリエーションを実装している。 TimeRLMは5つのAnomalyXL-Localizeタスクのうち4つで評価されたTSLMとシングルパスベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 5.884699935768521
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise anomaly localization over long-context time series is a crucial task in monitoring applications across clinical care, industrial operations, financial services, and logistics, where brief evidence may hide inside long spans of high-frequency data. Time-Series Language Models (TSLMs) are able to ingest time series data and verbalize findings on anomalies in natural language; however, recent benchmarks report a decrease in retrieval performance at long contexts, mirroring failure modes in text, vision, and audio. In the text domain, Recursive Language Models (RLMs) can recover much of this lost performance by keeping context external to the large language model (LLM), allowing the model to query it through code. We present TimeRLM, an RLM formulation for time-series that sequentially manipulates the signal using code and vision capabilities. We further introduce AnomalyXL, a synthetic long-context anomaly localization benchmark with programmatically injected anomalies that require precise retrieval. We implement five different task categories and two variants: AnomalyXL-MCQ and AnomalyXL-Localize. TimeRLM outperforms every evaluated TSLM and single-pass baseline on four of the five AnomalyXL-Localize tasks, reaching 0.682 IoU on localization and 0.745 on classify-with-evidence, versus at most 0.329 and 0.072 across all baselines. We post-train TimeRLM using reinforcement learning. The resulting model further improves performance and requires approximately one-third as many agent interaction turns as its untrained base model to produce a final answer. On unseen real-world ECG, sleep and software observability recordings, the post-trained TimeRLM retains or improves performance, surpassing TSLMs despite being trained exclusively on synthetic data. Our findings suggest recursive interaction with time-series is an effective approach for long-horizon retrieval.
• Abstract（参考訳）: 長いコンテキストの時系列に対する正確な異常な局所化は、医療、産業業務、金融サービス、物流などにわたるアプリケーションを監視する上で重要な課題であり、短い証拠が長い周波数データの中に隠されている可能性がある。 時系列言語モデル(TSLM)は、時系列データを取り込み、自然言語の異常の発見を言語化することができるが、最近のベンチマークでは、長い文脈での検索性能の低下、テキスト、ビジョン、オーディオの障害モードのミラーリングなどが報告されている。 テキストドメインでは、再帰言語モデル(RLM)は、大きな言語モデル(LLM)のコンテキストを維持して、コードを通じてモデルをクエリすることで、この失われたパフォーマンスの多くを回復することができる。 我々は、コードと視覚機能を用いて順次信号を操作する時系列のRLM定式化であるTimeRLMを提案する。 さらに、精度の高い検索を必要とするプログラム的に注入された異常を伴う合成長コンテキスト異常局所化ベンチマークであるAnomalyXLを紹介する。 AnomalyXL-MCQとAnomalyXL-Localizeの5つの異なるタスクカテゴリと2つのバリエーションを実装している。 TimeRLMは評価されたTSLMとシングルパスベースラインを5つのAnomalyXL-Localizeタスクのうち4つで上回り、ローカライゼーションでは0.682 IoU、エビデンスでは0.745に達した。 強化学習を用いた TimeRLM 後訓練を行った。 結果として得られるモデルはパフォーマンスをさらに向上し、最終的な答えを得るためには、多くのエージェントインタラクションがトレーニングされていないベースモデルとして回転するのに対して、およそ3分の1を必要とします。 実世界のECG、睡眠、ソフトウェア可観測性の記録では、ポストトレーニング後のTimeRLMは、合成データにのみ訓練されているにもかかわらず、TSLMを上回り、パフォーマンスを維持または改善している。 本研究は,時系列との再帰的相互作用が長期的検索に有効であることを示す。

関連論文リスト

• Data-Local Autonomous LLM-Guided Neural Architecture Search for Multiclass Multimodal Time-Series Classification [0.4925906256430175]
  LLM誘導型ニューラルネットワークサーチ(NAS)は、この探索を自動化することができるが、ほとんどの場合、クラウドの実行や、公開できないデータ由来のアーティファクトへのアクセスを前提としている。 固定されたプロトコルで全てのトレーニングと評価をローカルに実行しながら、遠隔で候補パイプラインを処理できる新しいデータローカルLLM誘導探索フレームワークを提案する。 本フレームワークは,クラスごとの1-vs-restバイナリエキスパートによるマルチクラス・マルチモーダル学習,軽量融合,エキスパートアーキテクチャとモダリティ特化前処理に関する共同探索を対象とする。
  論文  参考訳（メタデータ） (2026-03-16T21:46:05Z)
• Towards Multimodal Lifelong Understanding: A Dataset and Agentic Baseline [58.585692088008905]
  MM-Lifelongはマルチモーダルライフロング理解のために設計されたデータセットである。 撮影時間は181.1時間で、日、週、月の各スケールにまたがって構成され、様々な時間密度を捉えている。
  論文  参考訳（メタデータ） (2026-03-05T18:52:12Z)
• TS-Haystack: A Multi-Scale Retrieval Benchmark for Time Series Language Models [4.387988928531881]
  時系列言語モデル(TSLM)は、自然言語における連続的な信号の推論のための統一モデルとして登場している。 既存のモデルは通常、短いシーケンスでトレーニングされ、評価されるが、現実の時系列センサーストリームは数百万のデータポイントにまたがる。 TS-Haystackは4つのカテゴリにまたがる10のタスクタイプからなる長期コンテキストの時間的評価ベンチマークである。
  論文  参考訳（メタデータ） (2026-02-15T15:50:02Z)
• Semantic-Enhanced Time-Series Forecasting via Large Language Models [20.383296465541758]
  時系列予測は、金融、エネルギー、気象学、IoTアプリケーションにおいて重要な役割を果たす。 近年,大規模言語モデル(LLM)の一般化機能を活用して時系列予測に適応し,有望な性能を実現している。 本稿では,時系列の固有周期性と異常特性を探索し,意味空間に埋め込むセマンティック拡張LDM(SE-LLM)を提案する。
  論文  参考訳（メタデータ） (2025-08-11T07:19:21Z)
• 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)
• 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)
• Time2Lang: Bridging Time-Series Foundation Models and Large Language Models for Health Sensing Beyond Prompting [3.2688127177376227]
  大規模言語モデル(LLM)は、行動センシングデータと組み合わせることで、健康上の応用を約束する。 従来のアプローチでは、センサデータをテキストプロンプトに変換するが、このプロセスはエラーを起こしやすく、計算コストが高く、ドメインの専門知識を必要とする。 本稿では, TFM 出力を中間テキスト変換なしで LLM 表現に直接マッピングするフレームワーク Time2Lang を提案する。
  論文  参考訳（メタデータ） (2025-02-11T14:58:54Z)
• 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)
• 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)
• mFACE: Multilingual Summarization with Factual Consistency Evaluation [79.60172087719356]
  抽象的な要約は、事前訓練された言語モデルと大規模データセットの可用性のおかげで、近年で新たな関心を集めている。 有望な結果にもかかわらず、現在のモデルはいまだに現実的に矛盾した要約を生み出すことに苦しむ。 事実整合性評価モデルを利用して、多言語要約を改善する。
  論文  参考訳（メタデータ） (2022-12-20T19:52:41Z)

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。