PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2602.18645v3cs.LG

세그먼트 선택을 통한 적응형 시계열 추론

Adaptive Time Series Reasoning via Segment Selection

시계열 추론 작업은 종종 자연어 질문으로 시작하며 시계열에 대한 목표 지향적 분석을 요구한다. 증거는 전체 시계열에 걸쳐 있을 수도 있고 짧은 구간 몇 곳에만 나타날 수도 있으므로, 모델은 무엇을 검사할지 결정해야 한다. 기존 접근법의 대부분은 전체 시퀀스가 관련 있는지 여부와 관계없이 추론 전에 전체 시계열을 고정된 표현으로 인코딩한다. 우리는 시계열 추론을 순차적 의사결정 문제로 공식화하는 ARTIST를 제안한다. ARTIST는 추론과 적응형 시간적 세그먼트 선택을 교차적으로 수행한다. 이는 controller-reasoner 아키텍처를 채택하며, 강화학습을 사용해 controller 역할은 정보가 풍부한 세그먼트를 선택하도록, reasoner 역할은 세그먼트 조건부 추론 trace와 최종 답을 생성하도록 학습한다. 추론 시 모델은 전체 시퀀스의 정적 요약에 의존하는 대신 작업 관련 정보를 능동적으로 획득한다. 우리는 세그먼트 선택과 질문 응답 행동 모두에서 모델이 뛰어나도록 하는 사후 학습을 위해 새로운 계층적 정책 최적화 접근법을 사용한다. 우리는 6개의 시계열 추론 벤치마크에서 ARTIST를 평가하고, 대규모 언어 모델(LLM), 비전-언어 모델, 기존 시계열 추론 시스템과 비교한다. ARTIST는 가장 강한 기준선 대비 평균 정확도를 절대 6.46%p 향상시킨다. 가장 큰 향상은 희귀 이벤트 국소화와 다중 세그먼트 추론 작업에서 나타난다. 지도 미세조정은 성능을 향상시키며, 강화학습은 질문 적응형 세그먼트 선택을 최적화함으로써 추가 이득을 제공한다. 이 결과는 선택적 데이터 사용이 효과적인 시계열 추론을 이끈다는 것을 보여준다.

arXiv:2606.22126v1cs.CL

인식에서 이해로: LLM을 활용한 인지적 시계열 추론의 개방

From Recognition to Understanding: Unlocking Cognitive Time Series Reasoning with LLMs

기존 시계열-LLM 결합은 저수준 예측에 치우쳐 실세계 시간적 의사결정의 의미·맥락·추론을 평가하지 못하는 한계가 있어, 15개 출처로 다섯 가지 인지 추론 과제를 포함한 멀티모달 벤치마크 TSCognition과 패치 수준 표현을 LLM 임베딩 공간에 게이트 잔차 주입과 다변량 융합으로 정렬하는 TSAlign을 제안한다. TSCognition과 TimerBed에서 기존 LLM·VLM·시계열 QA 베이스라인을 능가하고 연산 비용을 크게 줄인다.