arXiv cs.AI· Sky Chenwei Wan, Yifei Y. Wang, Tianjun Hou, Xiqing Chang, Aymeric Jan·· 3 天前AI 评分26
基于神经符号 VLM 智能体的可解释多变量时间序列事件检测框架 SELA
Grammar of the Wave: Towards Explainable Multivariate Time Series Event Detection via Neuro-Symbolic VLM Agents
AI 导读
研究者提出 Event Logic Tree（ELT）知识表示框架，将自然语言事件描述转化为信号基元上的结构化时序逻辑，并据此构建神经符号 VLM 智能体框架 SELA，迭代地从信号可视化中定位基元并按 ELT 约束组合，同时输出事件区间与树状解释。
正文 · AI 翻译
摘要：时间序列事件检测（TSED）旨在定位时间序列数据中具有语义意义的事件，在高风险领域有着关键应用。与统计异常不同，事件通常由自然语言描述定义，并具有跨多个物理通道的内部时序逻辑结构。然而，在现实场景中，密集的事件标注获取成本高昂，使得纯监督学习变得困难。我们提出了语言引导的 TSED，这是一种设定：模型被给定文本事件描述，必须在几乎没有或完全没有标注数据的情况下，将其定位到多变量信号中的区间。为解决这一问题，我们提出了事件逻辑树（ELT），一种将语言描述转换为信号基元上的结构化时序逻辑的知识表示框架。基于 ELT，我们提出了 SELA，一种神经符号 VLM 智能体框架，它从信号可视化中迭代地定位基元，并在 ELT 约束下组合它们，同时生成事件区间和忠实的树状结构解释。我们进一步发布了一个跨能源和气候领域的真实世界基准，包含专家知识和标注。实验表明，SELA 优于监督微调以及现有的零样本/少样本时间序列推理基线。
| 评论： | 长论文被 EMNLP 2026 主会议接收，camera-ready 版本 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；多智能体系统（cs.MA） |
| 引用为： | arXiv:2603.11479 [cs.LG] |
| （或 arXiv:2603.11479v5 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2603.11479 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Sky Chenwei Wan [查看电子邮件]
[v1]
2026年3月12日星期四 03:01:48 UTC（242 KB）
[v2]
2026年5月26日星期二 13:03:04 UTC（1,186 KB）
[v3]
2026年6月10日星期三 22:09:21 UTC（1,187 KB）
[v4]
2026年8月30日星期日 01:09:56 UTC（1,192 KB）
[v5]
2026年10月12日星期一 19:58:13 UTC（1,192 KB）
来源：arXiv cs.AI · arxiv.org