ترجمه فارسی مقاله به سمت استدلال سری زمانی با LLMS

چکیده

Multi-modal large language models (MLLMs) have enabled numerous advances in understanding and reasoning in domains like vision, but we have not yet seen this broad success for time-series. Although prior works on time-series MLLMs have shown promising performance in time-series forecasting, very few works show how an LLM could be used for time-series reasoning in natural language. We propose a novel multi-modal time-series LLM approach that learns generalizable information across various domains with powerful zero-shot performance. First, we train a lightweight time-series encoder on top of an LLM to directly extract time-series information. Then, we fine-tune our model with chain-of-thought augmented time-series tasks to encourage the model to generate reasoning paths. We show that our model learns a latent representation that reflects specific time-series features (e.g. slope, frequency), as well as outperforming GPT-4o on a set of zero-shot reasoning tasks on a variety of domains.

چکیده به فارسی (ترجمه ماشینی)

مدل های بزرگ زبان چند منظوره (MLLMS) پیشرفت های بی شماری را در درک و استدلال در حوزه هایی مانند Vision امکان پذیر کرده است ، اما ما هنوز این موفقیت گسترده را برای سری زمانی ندیده ایم.اگرچه کارهای قبلی در سری زمانی MLLM ها عملکرد امیدوارکننده ای را در پیش بینی سری زمانی نشان داده اند ، اما تعداد بسیار کمی از آثار نشان می دهد که چگونه می توان از LLM برای استدلال سری زمانی در زبان طبیعی استفاده کرد.ما یک رویکرد رمان چند مدلی LLM را ارائه می دهیم که اطلاعات قابل تعمیم را در حوزه های مختلف با عملکرد قدرتمند صفر نشان می دهد.ابتدا ، ما یک رمزگذار سری سبک وزن را در بالای LLM آموزش می دهیم تا مستقیماً اطلاعات سری زمانی را استخراج کنیم.سپس ، ما مدل خود را با وظایف سری زمانی تقویت شده زنجیره ای تنظیم می کنیم تا مدل را برای تولید مسیرهای استدلال ترغیب کنیم.ما نشان می دهیم که مدل ما بازنمایی نهفته را می آموزد که منعکس کننده ویژگی های سری زمانی خاص (به عنوان مثال شیب ، فرکانس) ، و همچنین بهتر از GPT-4O در مجموعه ای از کارهای استدلال صفر در دامنه های مختلف است.