面向多类多模态时间序列分类的数据局部自主 LLM 引导神经网络结构搜索
机器学习
2026-03-18 v1 人工智能
摘要
将机器学习应用于敏感时间序列数据常受制于迭代环路：性能高度依赖预处理和网络结构，然而训练常需在本地环境下进行，且受严格的数据局部约束。这一困境在医疗保健等隐私受限领域（例如医院对患者 EEG 开发深度学习模型）中尤为突出。特别是在多模态融合场景中，必须对各传感器模态进行单独预处理，然后进行整合。这一瓶颈尤其挑战性，因为 LLM 引导的神经网络结构搜索（NAS）大多数现有工作假设云端执行或依赖无法在本地暴露的数据派生性artifact。我们提出一种新型的数据局部、LLM 引导的搜索框架，该框架在远程处理候选管道的同时，所有训练和评估均在固定协议下本地执行。控制器仅观察 trial-level（试验级别）摘要，如管道描述、指标、学习曲线统计信息和故障日志，绝不接触原始样本或中间特征表示。我们的框架针对多类、多模态学习，采用每个类别和模态的 one-vs-rest 二分类专家、轻量级融合 MLP，以及对专家网络结构和模态特定预处理的联合搜索。我们在两个层面上评估该方法：UEA30（公共多变量时间序列分类数据集）和 SleepEDFx 睡眠分期（包括 EEG、EOG 和 EMG 等异构临床模态）。结果表明，模块化基线模型表现强劲，LLM 引导的 NAS 进一步提升性能。值得注意的是，我们的方法在大多数基准数据集上找到的模型性能均在已发布的范围内。在两个设置中，我们的方法显著减少了人工干预，使架构搜索可 unattended（无人）进行，同时保持敏感数据在本地。
引用
@article{arxiv.2603.15939,
title = {Data-Local Autonomous LLM-Guided Neural Architecture Search for Multiclass Multimodal Time-Series Classification},
author = {Emil Hardarson and Luka Biedebach and Ómar Bessi Ómarsson and Teitur Hrólfsson and Anna Sigridur Islind and María Óskarsdóttir},
journal= {arXiv preprint arXiv:2603.15939},
year = {2026}
}