研究人员开发了CADE（对比式对齐与直接嵌入）框架，旨在通过解决传统分词方法的局限性来改进时间序列问答（TSQA）。CADE使用逐点线性编码器和MLP投影仪将每个时间步直接嵌入到LLM的嵌入空间中，保留了标准分词中丢失的关键幅度、尺度和趋势信息。该框架还包含一个监督对比损失，用于将时间序列嵌入与语言表示对齐。在Time-MQA基准上的实验表明，CADE在六项TSQA任务中持续提升性能，超越了现有的LLM基线。 AI
影响 这项研究为LLM处理时间序列数据提供了一种新颖的方法，有望提高需要分析顺序数值数据的任务的性能。
排序理由 该集群包含一篇详细介绍时间序列问答新颖框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.18986v1 Announce Type: cross Abstract: Recent advances in large language models (LLMs) have given rise to time-series question answering (TSQA), which formulates time-series analysis as natural-language question answering. However, directly feeding raw numerical series…
Recent advances in large language models (LLMs) have given rise to time-series question answering (TSQA), which formulates time-series analysis as natural-language question answering. However, directly feeding raw numerical series into LLMs suffers from a tokenization bottleneck:…