Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 시계열 언어 모델(TSLMs)의 한계를 극복하기 위해 '보완적 표현' 학습 원칙을 제안합니다. 이 모델은 절대 측정값을 보존하는 선 그래프와 시간 구조를 노출하는 정규화 지연 임베딩 두 가지 뷰를 결합하여 시계열 추론 능력을 크게 향상시켰습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG (Machine Learning)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기시계열 언어 모델(Time Series Language Models, TSLMs)은 시간적 데이터에 대한 언어 기반 이해 및 추론을 가능하게 하지만, 근본적인 질문이 남아 있습니다. 즉, 이들의 시계열 표현이 어떤 정보를 보존해야 하며, 어떤 변화를 제거해야 하는가입니다. 기존의 TSLM들은 일반적으로 단일한 표현만을 언어 모델에 노출시켜 다운스트림 작업 전반에 걸쳐 고정된 귀납적 편향(inductive bias)을 부과합니다. 우리는 대신 시계열 추론을 위한 설계 원칙으로 보완적 표현(complementary representations)을 도입합니다. 우리의 모델은 두 가지 시각적 뷰를 결합합니다. 선 그래프(line plots)는 절대 측정값과 관찰된 좌표계를 보존하는 반면, 정규화 지연 임베딩(normalized delay embeddings)은 양의 진폭 재조정 및 오프셋을 제거하면서 시간적 구조를 노출합니다. 전용 시각 인코더들은 시각 토큰(visual tokens)과 다단계 특징 융합(multi-level feature fusion)을 통해 두 가지 뷰를 공유 언어 모델에 통합합니다. 평가 시간 개입(Evaluation-time interventions)은 두 뷰가 구별되는 불변성 프로파일(invariance profiles)을 나타냄을 검증하며, 단일 뷰 제거 실험(single-view ablations)은 이들의 조합이 기본적인 지각 능력을 넘어 예측 및 추론에 특히 유익함을 보여줍니다. Qwen3-VL-8B를 기반으로 구축된 우리의 이중 뷰 모델은 선 그래프만 사용했을 때의 TSRBench 정확도 44.5%에서 53.2%로 향상시켜, 평가된 가장 강력한 전용 TSLM 기준선인 36.7%를 크게 초과 달성했습니다. 또한 TSExam에서 89.9%의 정확도를, 다변량 ChatTS 정렬(multivariate ChatTS alignment)에서 86.8%의 수치적 정확도를 달성합니다. 종합적으로 이러한 결과들은 보완적 표현이 범용 TSLM을 위한 효과적인 설계 원칙을 제공하며, 모델이 원래 측정 프레임에 대한 접근성을 희생하지 않으면서 시간적 구조를 활용할 수 있게 함을 입증합니다.