Prioritizing Alignment Paradigms over Task-Specific Model Customization in Time-Series LLMs

文章主要内容总结

1. 研究背景与挑战
   • LLMs在时间序列中的应用潜力：LLMs在时间序列推理任务（如预测、异常检测、因果推理等）中展现出零样本学习能力，但存在符号自然语言与时间序列数据的模态差距，导致传统任务定制模型效率低、灵活性差。
   • 现有方法的局限性：现有方法过度关注特定任务模型定制，忽略了时间序列的基本元素（Time-Series Primitives），如领域（Domain）、特征（Characteristic）和表示（Representation），导致模型成本高、适应性弱。
2. 核心观点与方法
   • 对齐范式优先：提出应优先基于时间序列基本元素设计对齐范式，而非直接定制任务模型。通过对齐范式激活LLMs的时间序列推理能力，实现经济、灵活、高效的推理。
   • 三种对齐范式：
     • Injective Alignment（注入对齐）：将数值直接注入文本表示，通过提示工程与LLMs外部交互，侧重领域基本元素，适用于特定领域（如医疗、金融）。
     • Bridg