无训练时序分类：通过 LLM 代理进行情境推理
人工智能
2026-05-04 v2
摘要
时序分类（TSC）涵盖多种应用场景，但标签数据常常稀缺，使得任务特定的训练成本高昂且灵活性差。近期表现出色的推理导向大型语言模型（LLMs）在理解时序模式方面显示出前景，但纯零样本使用仍不够理想。我们提出 FETA，一个基于示例的情境推理框架，用于无训练时序分类。FETA 将多变量时序分解为通道级子问题，检索每个通道中结构相似的少量标记示例，并利用推理 LLM 对查询与这些示例进行比较，生成带有自评估置信度的通道级标签；置信度加权聚合器随后融合所有通道决策。这一设计消除了预训练或微调的需求，通过剪枝无关通道和控制输入长度提高了效率，并通过示例 grounding 和置信度估计提升了可解释性。在九个具有挑战性的 UEA 数据集上，FETA 在完全无训练设置下实现了优异的准确率，超越了多个已训练基准。这一结果表明，基于多代理情境推理框架可将 LLMs 转化为无需任何参数训练即可竞争的即插即用时序分类求解器。代码已公开于 https://github.com/SongyuanSui/FETATSC。
引用
@article{arxiv.2510.05950,
title = {Training-Free Time Series Classification via In-Context Reasoning with LLM Agents},
author = {Songyuan Sui and Zihang Xu and Xia Hu},
journal= {arXiv preprint arXiv:2510.05950},
year = {2026}
}
备注
8 pages main content, 12 pages total including appendix, 1 figure