VLM 伪标签能否训练出超越 VLM 的时序 QA 模型？
机器学习
2025-10-01 v1 计算与语言
信号处理
摘要
时序问答 (TSQA) 任务面临标注数据匮乏的重大挑战。鲜而且近期大规模模型的进展表明，视觉语言模型 (VLM) 在零样例方式下展现出分析时序信号的潜力。本文提出一种训练方法，使用 VLM 生成的伪标签。尽管 VLM 可能产生错误标签，但基于深度神经网络对此类噪声标签本就具备内在鲁棒性，TSQA 模型仍可有效训练。我们的实验结果表明，TSQA 模型不仅能通过伪标签成功训练，而且能通过利用大量无标签数据超越 VLM 本身的性能。
引用
@article{arxiv.2509.25696,
title = {Can VLM Pseudo-Labels Train a Time-Series QA Model That Outperforms the VLM?},
author = {Takuya Fujimura and Kota Dohi and Natsuo Yamashita and Yohei Kawaguchi},
journal= {arXiv preprint arXiv:2509.25696},
year = {2025}
}