인식에서 이해로: LLM을 통한 인지적 시계열 추론의 해제
요약
LLM을 활용한 시계열 분석의 한계를 극복하기 위해 인지적 추론 중심의 멀티모달 벤치마크 TSCognition과 통합 프레임워크 TSAlign을 제안합니다. TSAlign은 시계열 데이터를 LLM 임베딩 공간에 정렬하여 기존 모델보다 뛰어난 성능과 효율성을 보여줍니다.
핵심 포인트
- 기존 시계열 분석의 저수준 예측 한계를 인지적 추론으로 해결
- 5가지 인지 작업(해독, 접지, 추론, 외삽, 행동)을 포함한 TSCognition 벤치마크 구축
- TSAlign 프레임워크를 통한 시계열 데이터와 LLM 임베딩 공간의 정렬
- 기존 LLM 및 VLM 대비 우수한 성능과 계산 비용 절감 입증
최근 시계열 분석 (Time series analysis)은 Large Language Models (LLMs)의 추론 및 세상에 대한 지식 능력을 활용하기 위해 이들과 결합되어 왔으나, 그 이득은 여전히 제한적입니다. 우리는 이러한 현상이 기존의 작업 구성과 LLM의 강점 사이의 근본적인 불일치 때문이라고 판단합니다. 대부분의 설정은 시계열 이해를 곡선 피팅 (curve-fitting) 시스템으로 축소하여, 실제 세계의 시간적 의사결정이 갖는 의미론적, 맥락적, 그리고 추론 집약적인 특성을 무시한 채 저수준의 예측에만 집중하고 있습니다.
이러한 한계를 해결하기 위해, 우리는 다차원 시계열 추론을 위한 멀티모달 벤치마크인 TSCognition을 소개합니다. 이는 15개의 공개 소스로부터 실제 시계열 및 텍스트 정보를 수집하여 Decoding (해독), Grounding (접지), Inferring (추론), Extrapolating (외삽), Acting (행동)이라는 다섯 가지 인지 추론 작업에 대해 약 41K개의 QA 샘플을 구축합니다. 이를 바탕으로, 우리는 시계열을 압축된 패치 수준 (patch-level) 표현으로 인코딩하고, 게이트 잔차 주입 (gated residual injection) 및 다변량 융합 (multivariate fusion)을 통해 LLM 임베딩 공간의 의미론적 방향과 정렬하는 통합 프레임워크인 TSAlign을 제안합니다.
실험 결과, TSAlign은 TSCognition 및 공개적으로 사용 가능한 TimerBed 벤치마크에서 기존의 LLM, VLM 및 시계열 QA 베이스라인들을 능가하는 성능을 보이면서도 계산 비용을 실질적으로 절감함을 보여주었습니다.
코드는 다음에서 확인할 수 있습니다: https://github.com/EIT-NLP/CognitiveTSR
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기