摘要
针对时间序列分析日益复杂的决策需求，本文提出“语义条件时间序列推理”任务，将上下文与语义理解融入传统数值建模。为提升模型在复杂问题上的推理能力，我们设计了两阶段强化学习框架：第一阶段强化对基本时间原语的感知，第二阶段聚焦语义条件下的推理。所得模型 KairosVL 在合成及真实任务中均表现优异。实验表明，该框架不仅提升了性能，还保留了内在推理能力并显著增强了对未见场景的泛化性，展示了语义推理与时序建模结合的潜力。
AI 推荐理由
论文核心提出语义条件时间序列推理任务及两阶段强化学习框架，旨在增强模型复杂推理能力。
研究机构
CNIC, CAS, Beijing, China
ByteDance, Beijing, China
Tsinghua University, Beijing, China
ByteDance, San Jose, USA
Nanjing University, Nanjing, China
论文信息