TS-Agent：通过迭代信息收集理解和推理原始时间序列
人工智能
2026-04-08 v2
摘要
大型语言模型 (LLM) 在符号和组合推理方面表现出强大能力，但在时间序列问答任务中仍感到困难，因为数据通常被转换为 LLM 兼容的模态，例如序列化文本、 plotted 图像或压缩后的时间序列嵌入。此类转换会造成表示瓶颈，往往需要跨模态对齐或微调，并且可能加剧幻觉和知识泄漏。为解决这些限制，我们提出了 TS-Agent，一种基于代理人、工具驱动的框架，该框架严格将 LLM 用于基于证据的推理，同时将统计和结构提取委托给在原始序列上运行的时序分析工具。我们的框架通过证据驱动的代理人进程解决时序任务：(1) 在思考、工具执行和观察之间交替进行 ReAct 风格的循环中，(2) 在显式证据日志中记录中间结果，并通过自我精炼评论家纠正推理轨迹，(3) 强制执行最终答案验证步骤，以防止幻觉和泄漏。在涵盖时序理解和推理的四个基准测试中，TS-Agent 与强文本基线、视觉基线和时序语言模型基线相当甚至更好，其中在零-shot 设置下，多模态 LLM 容易产生幻觉和知识泄漏的推理任务方面的提升最大。
引用
@article{arxiv.2510.07432,
title = {TS-Agent: Understanding and Reasoning Over Raw Time Series via Iterative Insight Gathering},
author = {Penghang Liu and Elizabeth Fons and Annita Vapsi and Mohsen Ghassemi and Svitlana Vyetrenko and Daniel Borrajo and Vamsi K. Potluru and Manuela Veloso},
journal= {arXiv preprint arXiv:2510.07432},
year = {2026}
}
备注
NeurIPS 2025 Workshop on Foundations of Reasoning in Language Models