English(EN) Rethinking Multimodal Fusion for Time Series: Text Modalities Need Constrained Fusion

新方法改进了文本在时间序列预测中的集成

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-17 04:00

研究人员开发了一种名为受控融合适配器（CFA）的新方法，以改进文本数据在时间序列预测模型中的集成。现有方法通常在不受控的融合方面存在问题，导致性能不佳。CFA使用低秩适配器过滤不相关的文本信息，确保只有相关细节被纳入时间序列分析。在各种数据集和模型上的大量实验证明了这种受控融合方法的有效性。 AI

影响这项研究通过有效利用文本数据，有可能提高时间序列预测的准确性，从而改进金融和其他数据密集型领域的应用。

排序理由该集群包含一篇学术论文，详细介绍了时间序列预测中多模态融合的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Seunghan Lee, Jun Seo, Jaehoon Lee, Sungdong Yoo, Minjae Kim, Tae Yoon Lim, Dongwan Kang, Hwanil Choi, SoonYoung Lee, Wonbin Ahn · 2026-06-17 04:00

Rethinking Multimodal Fusion for Time Series: Text Modalities Need Constrained Fusion

arXiv:2603.22372v2 Announce Type: replace-cross Abstract: Recent advances in multimodal learning have motivated the integration of auxiliary modalities such as text or vision into time series (TS) forecasting. However, most existing methods provide limited gains, often improving …