論文の概要: TT-SAX: A Two-Track Time Series Symbolization for Natural Language Shape Querying

• arxiv url: http://arxiv.org/abs/2610.30593v1
• Date: Thu, 22 Oct 2026 01:49:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.183843
• Title: TT-SAX: A Two-Track Time Series Symbolization for Natural Language Shape Querying
• Title（参考訳）: TT-SAX:自然言語形状検索のための2トラック時系列シンボル
• Abstract要約: シェイプクエリは、シリーズの動作を問う。 最近の研究は、クエリと長い歴史の間のブリッジとしてシンボル化を使用することで実現可能である。 自然言語クエリのためのシンボル化は、体系的に研究されていない。
• 参考スコア（独自算出の注目度）: 4.634811501774652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Natural language querying for time series databases aims to let users find what they need in long histories of data by asking in plain language. Shape queries ask how a series moves. They are the main challenge of this task. Recent work makes them feasible by using symbolization as a bridge between the query and the long history. However, existing symbolizations were designed for compression, similarity indexing, or classification. What a symbolization should provide for natural language querying has not been systematically studied. We therefore examine the definitions of six classical symbolizations against this task and identify three limitations. (1) Direction is missing from the string, (2) direction is measured at too small a scale, and (3) the letters are arbitrary. Three design principles follow. We follow these principles and make a minimal redesign of SAX called TT-SAX (two-track SAX). The level letters stay. Each segment gains a trend letter. It is measured across neighboring segments rather than inside one, and graded to match the adjectives that queries use. We conduct extensive experiments on the public NLQTSBench benchmark, comparing TT-SAX with the six classical symbolizations across six LLMs. TT-SAX outperforms all six on shape queries, and ablations trace its gains back to the three limitations one by one. This paper is the first systematic study of time series symbolization with natural language querying as the design goal. It provides a foundation for future research on this task. Our code is available at https://github.com/Atlamtiz/tt-sax.
• Abstract（参考訳）: 時系列データベースの自然言語クエリは、ユーザーが平易な言語で尋ねることで、長い履歴データに何が必要なのかを見つけることを目的としている。 シェイプクエリは、シリーズの動作を問う。 それらはこのタスクの主な課題です。 最近の研究は、クエリと長い歴史の間のブリッジとしてシンボル化を使用することで実現可能である。 しかし、既存のシンボル化は圧縮、類似性インデックス、分類のために設計された。 自然言語クエリのためのシンボル化は、体系的に研究されていない。 したがって、この課題に対する6つの古典的記号化の定義を検証し、3つの制限を識別する。 1) 文字列から方向が失われ、(2) 方向が小さすぎるスケールで測定され、(3) 文字は任意である。 3つの設計原則が従う。 これらの原則に従い、TT-SAX (two-track SAX) と呼ばれるSAXを最小限に再設計する。 レベル文字はそのままです。 各セグメントはトレンドレターを取得する。 内部ではなく近隣のセグメントで測定され、クエリが使用する形容詞に適合するようにランク付けされる。 我々は、NTLQTSBenchベンチマークにおいて、TT-SAXと6つのLLMの6つの古典的記号化を比較し、広範な実験を行った。 TT-SAXはシェイプクエリで6つ全てを上回り、アブレーションは3つの制限を1つずつ遡る。 本論文は,自然言語クエリを設計目標とする時系列の記号化に関する最初の体系的研究である。 この課題に関する将来の研究の基盤を提供する。 私たちのコードはhttps://github.com/Atlamtiz/tt-sax.comで利用可能です。

関連論文リスト

• Sonar-TS: Search-Then-Verify Natural Language Querying for Time Series Databases [79.0151672431566]
  NLQ4TSDBは、専門家でないユーザが大規模な時間記録から意味のあるイベント、インターバル、要約を検索するのを支援することを目的としている。 本稿では,ニューラルシンボリック・フレームワークであるSonar-TSを提案する。 NLQTSBenchは,TSDBスケールのヒストリーよりもNLQ用に設計された最初の大規模ベンチマークである。
  論文  参考訳（メタデータ） (2026-02-19T01:51:52Z)
• HistoryBankQA: Multilingual Temporal Question Answering on Historical Events [23.483982803102517]
  ウィキペディアのタイムラインページと記事インフォボックスから抽出した10万以上の歴史的イベントの多言語データベースであるHistoryBankを提示する。 また,全言語にわたる時間的推論のための総合的な質問応答ベンチマークを構築した。 本研究の目的は、歴史的事象の多言語的・時間的に認識された自然言語理解を促進するための総合的なリソースを提供することである。
  論文  参考訳（メタデータ） (2025-09-16T06:24:29Z)
• Ontology-Guided Reverse Thinking Makes Large Language Models Stronger on Knowledge Graph Question Answering [24.821273655754222]
  Ontology-Guided Reverse Thinking (ORT)は、目的から条件への推論パスを構築する新しいフレームワークである。 ORT は,(1) LLM を用いて目的ラベルと条件ラベルを抽出し,(2) KG オントロジーに基づくラベル推論経路を構築し,(3) ラベル推論経路を用いて知識検索を行う。 WebQSPとCWQデータセットの実験は、ORTが最先端のパフォーマンスを達成し、KGQAのためのLLMの能力を大幅に向上することを示している。
  論文  参考訳（メタデータ） (2025-02-17T06:53:15Z)
• Assessing Dialect Fairness and Robustness of Large Language Models in Reasoning Tasks [68.33068005789116]
  本稿では、標準英語とAAVEで1.2K以上の並列クエリペアを含むベンチマークであるReDialを紹介する。 我々は、GPT、Claude、Llama、Mistral、Phiモデルファミリーなど、広く使われているモデルを評価した。 我々の研究は、方言クエリにおけるLLMバイアスを分析するための体系的で客観的な枠組みを確立する。
  論文  参考訳（メタデータ） (2024-10-14T18:44:23Z)
• 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)
• Chain-of-Symbol Prompting Elicits Planning in Large Langauge Models [47.210211555783836]
  自然言語計画と行動(Natala)という,一連の新しいタスクからなるベンチマークを提案する。 現在、ChatGPTのようなLLMには複雑な計画能力がないことが分かっています。 本稿では,凝縮した記号空間表現を持つ複雑な環境を表現するCoS(Chain-of-Symbol Prompting)を提案する。
  論文  参考訳（メタデータ） (2023-05-17T15:07:50Z)
• SLUE Phase-2: A Benchmark Suite of Diverse Spoken Language Understanding Tasks [88.4408774253634]
  音声言語理解(SLU)タスクは、音声研究コミュニティで何十年にもわたって研究されてきた。 SLUタスクベンチマークはそれほど多くはなく、既存のベンチマークの多くは、すべての研究者が自由に利用できないデータを使っている。 最近の研究は、いくつかのタスクにそのようなベンチマークを導入し始めている。
  論文  参考訳（メタデータ） (2022-12-20T18:39:59Z)
• XTREME-S: Evaluating Cross-lingual Speech Representations [88.78720838743772]
  XTREME-Sは,言語間の共通言語表現を評価するための新しいベンチマークである。 本稿では,新しいベンチマークについて述べるとともに,音声のみのベースラインと音声テキストのベースラインを確立する。
  論文  参考訳（メタデータ） (2022-03-21T06:50:21Z)

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。