arXiv cs.CL· Minkyoung Kim, Daeun Ji, Yohan Lee, Beomsoo Kim, Beakcheol Jang·· 9 天前AI 评分22
CTRL：基于控制的 LLM 引导残差学习时间序列预测框架
CTRL: Control-Based Time Series Forecasting with LLM-Guided Residual Learning
AI 导读
CTRL 框架将语义推理与数值预测解耦，由冻结骨干模型生成基础预测，LLM 智能体作为控制器分析趋势、季节与不规则分量并输出控制信号，再由轻量残差解码器转化为预测修正。该框架支持无标签测试时自适应，仅需 3-24 次 LLM 调用即可检测分布偏移并重新调整控制信号，论文发表于 ACL 2026 Findings。
正文 · AI 翻译
摘要：时间序列预测是众多领域中关键决策的基础。尽管大语言模型（LLM）提供了有前景的推理能力，但现有的基于 LLM 的时间序列预测方法要么将其降级为绕过其优势的数值预测器，要么允许直接生成预测，从而在非平稳环境中使预测不稳定。我们提出 CTRL，一个将语义推理与定量预测解耦的框架。冻结的主干模型生成基础预测，而专门的 LLM 智能体充当控制器，通过分解的趋势、季节性和不规则成分分析主干预测误差，将推理建立在可解释的时间结构之上。每个智能体输出紧凑的控制信号，由轻量级残差解码器转换为预测修正。CTRL 结合了无标签的测试时自适应，仅从输入统计量即可检测分布偏移，并通过缓存仅用 3-24 次 LLM 调用重新调整控制信号。CTRL 明确设计用于提高非平稳时间动态和分布偏移下的鲁棒性，同时在高度平稳的时间序列上保持竞争力，因为在这些序列上自适应修正带来的额外收益有限。
| 评论： | 发表于 Findings of the Association for Computational Linguistics: ACL 2026。18 页，9 幅图，22 张表 |
| 主题： | 机器学习（cs.LG）；计算与语言（cs.CL） |
| ACM 分类： | I.2.6; I.2.7; G.3 |
| 引用为： | arXiv:2609.23257 [cs.LG] |
| （或使用 arXiv:2609.23257v2 [cs.LG] 引用此版本） | |
| https://doi.org/10.48550/arXiv.2609.23257 arXiv 颁发的 DOI，通过 DataCite |
|
| 期刊 参考： | Findings of the Association for Computational Linguistics: ACL 2026，第 21952-21968 页 |
提交历史
来自：Minkyoung Kim [查看邮箱]
[v1]
2026年9月20日星期日 00:10:06 UTC（5,604 KB）
[v2]
2026年10月8日星期四 05:50:19 UTC（5,604 KB）
来源：arXiv cs.CL · arxiv.org