ZARA：基于证据导向的大语言模型代理的无训练运动时间序列推理
计算与语言
2026-04-14 v2 计算机视觉与模式识别
摘要
运动传感器时间序列是人类活动识别（HAR）中的核心问题，但传统方法受限于固定的活动集合，通常需要昂贵的参数重新训练才能适应新行为。虽然大语言模型（LLM）提供了具有前景的开放集推理能力，但直接应用于数值时间序列常会导致幻觉和 grounding 弱。为解决这一挑战，我们提出了 ZARA（Zero-training Activity Reasoning Agents），即一种面向运动时间序列推理的无训练推理设置下的知识和检索增强的代理框架。ZARA 不依赖黑盒投影，而是将参考数据提炼为统计上有依据的文本知识库，将隐含的信号模式转化为可验证的自然语言先验。ZARA 在检索到的证据指导下，迭代选择判别性线索，并对候选活动进行有依据的推理。广泛的实验表明，ZARA 能稳健地泛化到未见的主体和跨数据集，显示出在异构传感器领域的强大可迁移性。这些结果标志着我们对超越数据集特定器工的可信赖、即插即用运动理解能力的迈进。我们的代码已公开于 https://github.com/zechenli03/ZARA。
引用
@article{arxiv.2508.04038,
title = {ZARA: Training-Free Motion Time-Series Reasoning via Evidence-Grounded LLM Agents},
author = {Zechen Li and Baiyu Chen and Hao Xue and Flora D. Salim},
journal= {arXiv preprint arXiv:2508.04038},
year = {2026}
}
备注
Accepted by ACL 2026 Main Conference