論文の概要: Lapras: Latent Reasoning for Time Series Language Models

• arxiv url: http://arxiv.org/abs/2610.11111v1
• Date: Thu, 08 Oct 2026 02:33:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.741949
• Title: Lapras: Latent Reasoning for Time Series Language Models
• Title（参考訳）: Lapras: 時系列言語モデルに対する遅延推論
• Abstract要約: 時系列言語モデル(TSLM)は、自然言語の回答と説明を生成する。 一般的なアプローチはChain-of-Thought (CoT) であり、信号パターンを最終解にリンクするステップバイステップの合理性を生成する。 TSLMに潜時推論を組み込んだ後学習フレームワークであるLaprasを提案する。
• 参考スコア（独自算出の注目度）: 8.810803189036108
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time Series Language Models (TSLMs) offer a promising path toward time series understanding by reasoning over temporal signals and producing natural language answers and explanations. A common approach is Chain-of-Thought (CoT), which generates step-by-step rationales linking relevant signal patterns to final answers. Although these models learn from reference CoT traces during post-training, generating faithful descriptions of input time series at inference remains challenging. Expressing high-dimensional, continuous temporal representations in discrete language tokens may cause the model to neglect task-relevant patterns or describe them inaccurately. Because later reasoning steps build on these descriptions, early errors propagate, leading to incorrect answers with plausible explanations that are inconsistent with the input signal. We propose Lapras (Latent Post-trained Reasoning Across Series), a post-training framework that equips TSLMs with latent reasoning. A model trained with Lapras reasons through a sequence of continuous thoughts in the joint time series-language space, producing text only for the final answer. It learns this through teacher-student self-distillation, where a teacher trained on CoT reference traces reasons explicitly through text. The student aligns its hidden states with the teacher's at the answer stage, transferring the teacher's reasoning ability into its latent computation. We evaluate Lapras across four TSLM backbones on five time series question answering benchmarks. Lapras improves average F1 by up to 10.79% over explicit CoT while generating 23.9x fewer tokens. Lapras's continuous thoughts can also be decoded into readable reasoning traces via standard language decoding, preserving textual explanations. Together, these results highlight Lapras as a promising post-training paradigm for efficient, effective, and interpretable TSLM reasoning.
• Abstract（参考訳）: 時系列言語モデル(TSLM)は、時間的シグナルを推論し、自然言語の回答と説明を生成することによって、時系列理解への有望な道を提供する。 一般的なアプローチはChain-of-Thought(CoT)であり、関連する信号パターンを最終解にリンクするステップバイステップの合理性を生成する。 これらのモデルは、訓練後のCoTトレースから学習するが、推論時に入力時系列の忠実な記述を生成することは依然として困難である。 離散言語トークンで高次元の連続した時間表現を表現することは、モデルがタスク関連パターンを無視したり、それらを不正確に記述したりする原因となる可能性がある。 後続の推論ステップはこれらの記述に基づいて構築されるため、初期のエラーは伝播し、入力信号と矛盾する明確な説明で誤った答えをもたらす。 TSLMに潜時推論を組み込んだ後学習フレームワークであるLapras(Latent Post-trained Reasoning Across Series)を提案する。 ラプラスで訓練されたモデルは、連続時間連続言語空間における連続的な思考を通して、最終回答のためのテキストを生成する。 教師がCoTの基準で訓練した教師は、テキストを通じて理由を明示的に追跡する。 生徒は、教師の解答段階で隠れた状態と整列し、教師の推論能力をその潜在計算に転送する。 TSLMのバックボーン4つにまたがるラプラスを5つの時系列質問応答ベンチマークで評価した。 ラプラスは23.9倍のトークンを生成しながら、明示的なCoTよりも平均F1を最大10.79%改善する。 ラプラスの連続的な思考は、標準言語の復号化を通じて読みやすい推論トレースに復号化することができ、テキストの説明を保存することができる。 これらの結果とともに、Laprasは効率的、効果的、解釈可能なTSLM推論のための有望な後学習パラダイムであることを強調した。

関連論文リスト

• What Matters for Latent Reasoning with Flow Matching [52.62368406036621]
  潜在推論により、大きな言語モデルは連続した空間で考え、答えのみを言葉で表すことができる。 有効な潜伏思想は5つの要件を満たす必要があると我々は主張する。 FLaReは、潜伏空間がエンコードしたものと、それをどのように形成するか、フローのトレーニング場所、答えの読み方、そしてモデル自身の検証された思考に関する最終段階を含む単純なレシピである。
  論文  参考訳（メタデータ） (2026-10-05T16:42:40Z)
• Temporal-Aware Reasoning Optimization for Video Temporal Grounding [55.29748680163419]
  本稿では,時間的思考能力を明確に向上させるフレームワークであるTaRO(Temporal-Aware Reasoning Optimization)を提案する。 まず、事前生成した高密度キャプションを利用して、明示的な視覚的手がかりやタイムスタンプに基づく推論経路を構築するコンストラクティブ推論探索を導入する。 第二に、推論の品質を評価するために、テンポラル・センシティビティ・リワードを設計する。高品質な推論は特定のイベントやタイムスタンプに固定されるべきである。
  論文  参考訳（メタデータ） (2026-06-08T09:21:01Z)
• Thinking Without Words: Efficient Latent Reasoning with Abstract Chain-of-Thought [13.72996269125319]
  Abstract-CoTは、数学的推論、命令フォロー、マルチホップ推論に匹敵するパフォーマンスを示しながら、推論トークンを最大11.6タイムで削減する。 本研究は,学習した抽象的推論言語による効率的な推論を可能にする,学習後の潜在推論メカニズムの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2026-04-24T16:45:51Z)
• Chain-of-thought Reviewing and Correction for Time Series Question Answering [22.889720488678076]
  本稿では,時系列質問応答の明示的な補正機構を備えた多段階推論を行うT3LLMを提案する。 このフレームワーク内では、作業者は構造化されたプロンプトの下で段階的思考連鎖(CoT)を生成し、レビュアーは推論を検査し、誤ったステップを特定し、修正的なコメントを提供する。 複数の実世界のTSQAベンチマークの実験により、T3LLMは強力なLLMベースのベースラインに対して最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2025-12-27T15:54:18Z)
• Quiet-STaR: Language Models Can Teach Themselves to Think Before Speaking [34.55545753125674]
  自己学習型推論器の一般化であるQuiet-STaRについて述べる。 LMは、将来のテキストを説明するために各トークンで合理性を生成することを学ぶ。 GSM8KとCommonsenseQAではゼロショットの改善が見られた。
  論文  参考訳（メタデータ） (2024-03-14T17:58:16Z)
• Understanding Reasoning Ability of Language Models From the Perspective of Reasoning Paths Aggregation [110.71955853831707]
  我々は、LMを、事前学習時に見られる間接的推論経路を集約することで、新たな結論を導出すると考えている。 我々は、推論経路を知識/推論グラフ上のランダムウォークパスとして定式化する。 複数のKGおよびCoTデータセットの実験と分析により、ランダムウォークパスに対するトレーニングの効果が明らかにされた。
  論文  参考訳（メタデータ） (2024-02-05T18:25:51Z)
• 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)

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。