基于分段选择的自适应时间序列推理
机器学习
2026-02-24 v1
摘要
时间序列推理任务通常以自然语言问题为起点，需要针对时间序列进行针对性分析。证据可能跨越整个序列，也可能出现在几个短暂区间，因此模型必须决定要检查什么。大多数现有方法在推理前将整个时间序列编码为固定表示，无论整个序列是否相关。我们引入 ARTIST，将时间序列推理形式化为顺序决策问题。ARTIST 在自适应时间分段选择中交织推理过程。它采用控制器-推理器架构，并利用强化学习训练控制器角色以选择有信息量的分段，并训练推理器角色生成分段条件推理痕迹和最终答案。在推理期间，该模型主动获取任务相关信息，而不是依赖对整个序列的静态摘要。我们采用一种新的层次策略优化方法进行后训练，使模型在分段选择和问答行为方面均能卓越表现。我们在六个时间序列推理基准测试上评估 ARTIST，并与大型语言模型、视觉语言模型和先前的时间序列推理系统进行比较。ARTIST 在最强基准上的平均准确率提高了 6.46 个绝对百分点。最大收益出现在稀有事件定位和多分段推理任务上。监督式微调可提升性能，强化学习通过优化问题自适应分段选择提供额外收益。这些结果表明，选择性数据使用是有效时间序列推理的关键。
引用
@article{arxiv.2602.18645,
title = {Adaptive Time Series Reasoning via Segment Selection},
author = {Shvat Messica and Jiawen Zhang and Kevin Li and Theodoros Tsiligkaridis and Marinka Zitnik},
journal= {arXiv preprint arXiv:2602.18645},
year = {2026}
}