MemPromptTSS:面向迭代式多粒度时间序列状态分割的持久提示记忆
机器学习
2025-10-14 v1 人工智能
摘要
Web 平台、移动应用以及互联传感系统会产生具有多粒度状态(从粗粒度的运行模式到细粒度的事件)的多变量时间序列。在这些场景中进行有效的分割,需要在不同粒度之间进行整合,同时支持通过稀疏提示信号进行迭代式精化——稀疏提示信号提供了一种紧凑的机制来注入领域知识。然而,现有针对时间序列分割的提示方法仅在局部上下文内运作,因此提示的影响会迅速衰减,无法引导对整条序列的预测。为克服这一局限,我们提出 MemPromptTSS,一个引入持久提示记忆的迭代式多粒度分割框架。记忆编码器将提示及其周围子序列转换为存储在记忆库中的记忆令牌。这种持久记忆使得每一次新的预测不仅能基于局部线索,还能基于跨迭代累积的所有提示,从而确保其影响贯穿整条序列。在涵盖可穿戴传感与工业监测的六个数据集上的实验表明,在单次迭代推理下,MemPromptTSS 在单粒度与多粒度分割任务上相较最佳基线分别取得了 23% 与 85% 的准确率提升;在迭代式推理中,其平均每轮迭代增益为 2.66 个百分点,而 PromptTSS 仅为 1.19 个百分点。这些结果凸显了持久记忆对于提示引导式分割的重要性,使 MemPromptTSS 成为面向实际应用的一种实用且有效的框架。
引用
@article{arxiv.2510.09930,
title = {MemPromptTSS: Persistent Prompt Memory for Iterative Multi-Granularity Time Series State Segmentation},
author = {Ching Chang and Ming-Chih Lo and Chiao-Tung Chan and Wen-Chih Peng and Tien-Fu Chen},
journal= {arXiv preprint arXiv:2510.09930},
year = {2025}
}
备注
This paper is currently under review. The code will be made available upon acceptance