LAST SToP：面向异步时间序列建模
机器学习
2025-02-05 v1 人工智能
摘要
我们为大型语言模型（LLMs）提出了一种针对异步时间序列定制的新型提示设计。与假设数值在均匀间隔时间点上取值的常规时间序列不同，异步时间序列由以不规则间隔发生的时间戳事件组成，每个事件以自然语言描述。我们的方法有效利用了事件描述中丰富的自然语言，使LLMs能够利用其广泛的世界知识在不同领域和任务中进行推理。这使得我们能够将异步时间序列分析的范围从预测扩展到包括异常检测和数据填补等任务。我们进一步引入了随机软提示（Stochastic Soft Prompting），这是一种新颖的提示微调机制，能显著提升模型性能，优于现有的微调方法如QLoRA。通过在真实世界数据集上的大量实验，我们证明了我们的方法在不同任务和数据集上均达到了最先进的性能。
引用
@article{arxiv.2502.01922,
title = {LAST SToP For Modeling Asynchronous Time Series},
author = {Shubham Gupta and Thibaut Durand and Graham Taylor and Lilian W. Białokozowicz},
journal= {arXiv preprint arXiv:2502.01922},
year = {2025}
}