研究人员开发了 TimeSRL，一个新颖的两阶段大模型框架，用于可泛化的时间序列行为建模，特别是在心理健康应用中。该框架首先将原始数据抽象为自然语言概念，然后仅从这些语义抽象中预测结果，旨在提高跨数据集的泛化能力。TimeSRL 使用组相对策略优化 (GRPO) 和可验证奖励强化学习 (RLVR) 进行优化，在预测焦虑和抑郁方面表现出最先进的性能，显著优于现有的机器学习和 LLM 基线。 AI
影响 引入了一种改进大模型在时间序列分析中泛化能力的新方法，并可能应用于心理健康以外的领域。
排序理由 发布了一篇详细介绍新框架及其在特定基准测试中性能的新研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2605.21295v1 Announce Type: cross Abstract: Longitudinal passive sensing enables continuous health prediction, yet models often fail under cross-dataset distribution shifts. Traditional ML overfits cohort-specific artifacts, while Large Language Models (LLMs) struggle to re…
Longitudinal passive sensing enables continuous health prediction, yet models often fail under cross-dataset distribution shifts. Traditional ML overfits cohort-specific artifacts, while Large Language Models (LLMs) struggle to reason reliably over long, heterogeneous time-series…