Fugu-MT 論文翻訳(概要): TimeThink: Eliciting Compositional Reasoning in Timeseries Large Language Models

論文の概要: TimeThink: Eliciting Compositional Reasoning in Timeseries Large Language Models

arxiv url: http://arxiv.org/abs/2609.13457v1
Date: Fri, 11 Sep 2026 19:22:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 12:40:38.814867
Title: TimeThink: Eliciting Compositional Reasoning in Timeseries Large Language Models
Title（参考訳）: TimeThink: 大規模言語モデルにおける合成推論の不要化
Abstract要約: 合成時系列推論のための合成フレームワークであるTimeThinkについて述べる。 TimeThinkはまず、原子と複合的な質問応答ペアを生成する合成データジェネレータを設計する。テンプレート・リライアント法とは異なり、このアプローチは単にトレースを模倣するのではなく、モデルが構成の基盤となる論理を学習することを可能にする。
参考スコア（独自算出の注目度）: 6.191461643266362
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Timeseries multimodal large language models (TS-MLLMs) have recently begun leveraging the reasoning capabilities of large language models (LLMs) for question-answering tasks. However, these models often fail to capture dynamic temporal patterns, providing only implicit reasoning that lacks the underlying explanations critical for high-stakes applications like healthcare. While reinforcement learning (RL)-based timeseries language models aim to address this, they often fall short because they are trained on narrow, in-distribution data and struggle with out-of-distribution compositional questions. To address these challenges, we present TimeThink, a synthetic framework for eliciting compositional timeseries reasoning. Core timeseries primitives (e.g., trend, seasonality) are domain-independent and can be deterministically generated. Guided by this premise, TimeThink first designs a synthetic data generator that produces atomic and composite question-answer pairs, providing objective ground truth with reasoning traces. Building on this framework, TimeThink employs a reinforcement learning with verifiable rewards (RLVR) training strategy that encourages explicit reasoning. Unlike template-reliant methods, this approach enables the model to learn the underlying logic of composition rather than simply imitating traces. Extensive experiments show that TimeThink, trained only on synthetic data, significantly outperforms strong baselines on both synthetic and real-world benchmarks.
Abstract（参考訳）: 時系列マルチモーダル大言語モデル (TS-MLLMs) は近年,質問応答タスクに大規模言語モデル (LLMs) の推論機能を活用し始めている。しかしながら、これらのモデルは動的時間的パターンのキャプチャに失敗することが多く、医療のような高度なアプリケーションにとって重要な基礎的な説明が欠けている暗黙の推論のみを提供する。強化学習(RL)に基づく時系列言語モデルはこの問題に対処しようとするが、狭義の分布内データに基づいて訓練され、分布外構成問題に苦しむため、しばしば不足する。これらの課題に対処するため,合成時系列推論のための合成フレームワークであるTimeThinkを提案する。コアテリトリープリミティブ(例:トレンド、季節性)はドメインに依存しておらず、決定論的に生成される。この前提に導かれたTimeThinkは、まず原子と複合的な質問応答ペアを生成する合成データジェネレータを設計し、推論トレースで客観的な真実を提供する。このフレームワーク上に構築されたTimeThinkは、明確な推論を促進するための検証可能な報酬(RLVR)トレーニング戦略を備えた強化学習を採用している。テンプレート・リライアント法とは異なり、このアプローチは単にトレースを模倣するのではなく、モデルが構成の基盤となる論理を学習することを可能にする。大規模な実験では、合成データのみに基づいてトレーニングされたTimeThinkが、合成ベンチマークと実世界のベンチマークの両方において、強力なベースラインを著しく上回っている。

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)
Reasoning Pattern Alignment Merging for Adaptive Reasoning [48.347817456299104]
Reasoning Pattern Alignment Merging (RPAM) RPAMは、クエリ適応推論を容易にする機能アライメントに基づく階層的なモデルマージフレームワークである。広く使用されている7つの推論ベンチマークの実験により、RPAMは強い性能を維持しながら推論コストを大幅に削減することが示された。
論文参考訳（メタデータ） (2026-01-07T01:36:39Z)
Rationale-Grounded In-Context Learning for Time Series Reasoning with Multimodal Large Language Models [39.75347938309383]
本稿では,時間列推論のための理性学習手法を提案する。提案するRationaleTSの3ドメイン時系列推論タスクにおける有効性と有効性を示すため,広範囲な実験を行った。
論文参考訳（メタデータ） (2026-01-06T12:27:04Z)
TimeSense:Making Large Language Models Proficient in Time-Series Analysis [26.44226032396234]
時系列領域では、テキストと時間データを組み合わせて大規模な言語モデルの推論能力を活用する作業が増えている。テキスト推論と時間的感覚のバランスをとることで,LLMを時系列解析に熟練させるフレームワークであるTimeSenseを提案する。 TimeSenseは複数のタスクにまたがる最先端のパフォーマンスを実現し、特に複雑な多次元時系列推論タスクにおいて既存のメソッドよりも優れています。
論文参考訳（メタデータ） (2025-11-09T12:00:18Z)
Understanding the Implicit Biases of Design Choices for Time Series Foundation Models [90.894232610821]
時系列基礎モデル(TSFM)は、時系列予測と関連する時間的タスクのための潜在的に強力で汎用的なツールのクラスである。彼らの行動はデザインの微妙な帰納的バイアスによって強く形作られています。モデルやデータの性質によって、これらのバイアスが直感的であるか、非常に直感的であるかを示す。
論文参考訳（メタデータ） (2025-10-22T04:42:35Z)
Can an LLM Induce a Graph? Investigating Memory Drift and Context Length [11.214847796972705]
最近提案された評価ベンチマークは、大規模言語モデル(LLM)の有効文脈長と忘れ傾向を特徴付けることを目的としている。我々は、これらのモデルをより複雑な推論タスクで評価し、テキストから構造化された関係知識を誘導する必要があると主張している。以上の結果から,LLMは記憶のドリフトや文脈記憶を,このような関係推論を行う場合よりもはるかに短い有効長で表現し始めることが明らかとなった。
論文参考訳（メタデータ） (2025-10-04T01:56:07Z)
Towards Interpretable Time Series Foundation Models [0.0]
我々は,大規模なマルチモーダルモデルを用いて自然言語アノテーションを生成し,これらを用いてコンパクトQwenモデルの微調整を監督する。本結果は,デバイス上やプライバシに敏感なデプロイメントに適した,軽量で言語対応のモデルへの時系列理解の圧縮の可能性を強調した。
論文参考訳（メタデータ） (2025-07-10T05:29:34Z)
Learning to Reason Over Time: Timeline Self-Reflection for Improved Temporal Reasoning in Language Models [21.579319926212296]
大規模言語モデル(LLM)は、一貫性のあるテキストを生成し、コンテキストを理解し、推論タスクを実行するための強力なツールとして登場した。彼らは時間的推論に苦しむが、それはイベントシーケンシングや時間的関係、時間的関係などの時間的関連情報を処理する必要がある。我々は,タイムライン構築と反復的自己回帰を組み合わせた多段階プロセスを通じて,LLMの時間的推論能力を高める新しいフレームワークであるTISERを紹介する。
論文参考訳（メタデータ） (2025-04-07T16:51:45Z)
Large Language Models Can Learn Temporal Reasoning [11.599570446840547]
本稿では,言語に基づく時間的推論のための新しいフレームワークTG-LLMを提案する。元の文脈を推論する代わりに、潜時表現、時間グラフ(TG)を採用する。合成データセット(TGQA)は完全に制御可能であり、最小限の監督を必要とする。
論文参考訳（メタデータ） (2024-01-12T19:00:26Z)
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)
TRAM: Benchmarking Temporal Reasoning for Large Language Models [12.112914393948415]
10個のデータセットからなる時間的推論ベンチマークであるTRAMを紹介する。 GPT-4やLlama2のような一般的な言語モデルをゼロショットや少数ショットのシナリオで評価する。以上の結果から,最も優れたモデルラグは人的パフォーマンスに大きく遅れていることが示唆された。
論文参考訳（メタデータ） (2023-10-02T00:59:07Z)
Unlocking Temporal Question Answering for Large Language Models with Tailor-Made Reasoning Logic [84.59255070520673]
大きな言語モデル(LLM)は、時間的推論に関わる際に課題に直面します。本研究では,時間的質問応答タスクに特化して設計された新しいフレームワークであるTempLogicを提案する。
論文参考訳（メタデータ） (2023-05-24T10:57:53Z)
Visual Chain of Thought: Bridging Logical Gaps with Multimodal Infillings [61.04460792203266]
本稿では, 逐次データ内の論理的ギャップを埋めるために, 視覚言語による接地を促進させる, チェーン・オブ・シントを利用する新しい手法であるVCoTを紹介する。本手法は,下流タスクの論理的ギャップを低減するために,一貫した情報と新しい情報を加える合成マルチモーダル埋め込みを生成するために視覚誘導を用いる。
論文参考訳（メタデータ） (2023-05-03T17:58:29Z)

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。