TS-Reasoner：面向时序推理任务的时序基础模型与大语言模型对齐
计算与语言
2025-10-07 v1 人工智能
摘要
时序推理是金融、能源使用、交通、天气和科学发现等多个领域决策的关键因素。虽然现有的时序基础模型 (TSFM) 能够捕捉低级动态模式并提供准确的预测，但进一步分析通常需要额外的背景知识和复杂的推理——这些因素在大多数TSFM中都缺乭，但可以通过大语言模型 (LLM) 实现。另一方面，在没有昂贵微调的情况下，LLM往往难以理解时序数据。虽然将两种模型集成在直观上是可行的，但开发能够对齐两种模态以解决推理任务的有效训练配方仍是一个开放的挑战。为此，我们提出TS-Reasoner，通过对齐TSFM的潜在表示与LLM的文本输入，以适应下游理解/推理任务。具体而言，我们提出了一种简单且有效的方法，用于构建多样化的、合成的时序数据和文本描述的配对，以用于对齐训练。然后，我们开发了两阶段训练配方，在对齐预训练后应用指令微调。与现有工作不同，我们利用预训练的TSFM并在训练期间冻结其参数。在多个基准测试上的大量实验表明，TS-Reasoner不仅超过广泛使用的LLM、视觉语言模型 (VLM) 和时序LLM，还以显著的数据效率实现，例如仅使用一半的训练数据。
引用
@article{arxiv.2510.03519,
title = {TS-Reasoner: Aligning Time Series Foundation Models with LLM Reasoning},
author = {Fangxu Yu and Hongyu Zhao and Tianyi Zhou},
journal= {arXiv preprint arXiv:2510.03519},
year = {2025}
}