arXiv cs.CL· Hedi Zisling, Liran Nochumsohn, Ilan Naiman, Mihir Parmar, Omri Azencot·· 2 天前AI 评分31
双重视角互补表征如何提升时间序列推理能力
Twice Upon a Time: Complementary Representations for Time-Series Reasoning
AI 导读
基于 Qwen3-VL-8B 的双视图模型将线图与归一化延迟嵌入结合，在 TSRBench 上把整体准确率从单用线图的 44.5% 提升至 53.2%，超过最强专用 TSLM 基线的 36.7%。该模型在 TSExam 上达到 89.9% 准确率，在多变量 ChatTS 对齐上取得 86.8% 数值准确率。消融实验显示，两种视图组合在预测与推理任务上的增益尤为显著。
正文 · AI 翻译
摘要：时间序列语言模型（TSLMs）使基于语言的时间数据理解与推理成为可能，但仍有一个根本问题：它们的时间序列表示应保留哪些信息，又应消除哪些变化？现有的 TSLM 通常只向语言模型暴露单一表示，从而在下游任务中强加固定的归纳偏置。我们转而引入互补表示作为时间序列推理的设计原则。我们的模型结合了两种视觉视图：折线图保留绝对测量值和观测坐标系，而归一化延迟嵌入则消除正幅度缩放和偏移，同时揭示时间结构。专用视觉编码器通过视觉 token 和多级特征融合将两种视图整合到共享语言模型中。评估时的干预验证了两种视图表现出不同的不变性特征，而单视图消融表明，它们的组合在超越基本感知方面尤为有益，在预测和推理上带来大幅提升。基于 Qwen3-VL-8B，我们的双视图模型将 TSRBench 总体准确率从仅使用折线图的 44.5% 提升至 53.2%，大幅超过评估中最强的专用 TSLM 基线 36.7%。它还在 TSExam 上达到 89.9% 的准确率，并在多变量 ChatTS 对齐上达到 86.8% 的数值准确率。总之，这些结果表明，互补表示为通用 TSLM 提供了一种有效的设计原则，使模型能够利用时间结构，同时不牺牲对原始测量坐标系的访问。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.22327 [cs.LG] |
| （或 arXiv:2610.22327v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22327 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Hedi Zisling [查看电子邮件]
[v1]
2026年10月15日星期四 17:52:18 UTC（493 KB）
来源：arXiv cs.CL · arxiv.org