精选理由
时间序列预测从业者终于有了一个能主动理解任务意图的LLM方案——InA-Probe在跨域场景误差降低37%，做金融、能源等时序预测的团队值得关注。
现有LLM时间序列预测方法多依赖被动对齐或静态重编程，难以捕捉非平稳模式和细粒度任务意图。本文提出InA-Probe，通过多层级指令注入和自适应查询生成，让模型主动探测时间序列中的关键模式。该方法在7个真实基准上超越现有深度学习和LLM基线，在跨域场景中预测误差降低高达37%，零样本泛化能力也显著提升。消融实验表明，自适应查询与细粒度指令的协同作用是释放LLM推理能力的关键。
AI 翻译 · 中文
现有LLM时间序列预测方法多依赖被动对齐或静态重编程，难以捕捉非平稳模式和细粒度任务意图。本文提出InA-Probe，通过多层级指令注入和自适应查询生成，让模型主动探测时间序列中的关键模式。该方法在7个真实基准上超越现有深度学习和LLM基线，在跨域场景中预测误差降低高达37%，零样本泛化能力也显著提升。消融实验表明，自适应查询与细粒度指令的协同作用是释放LLM推理能力的关键。
Large Language Models (LLMs) have recently demonstrated impressive potential for time series forecasting. However, existing methods predominantly rely on passive modality alignment or static task reprogramming, which oft…