摘要
针对纵向被动感知中跨数据集分布偏移导致模型失效的问题，本文提出 TimeSRL 框架。该框架通过显式语义瓶颈，先将原始信号抽象为高层自然语言，再基于此进行结果预测，迫使模型基于语义概念而非原始数值进行推理。利用群相对策略优化（GRPO）和可验证奖励的强化学习（RLVR），模型在无黄金中间标注下端到端优化。在心理健康预测任务中，TimeSRL 在留一数据集出（LOSO）协议下显著优于现有基线，展现了卓越的跨队列泛化能力。
AI 推荐理由
论文核心在于利用语义抽象提升 LLM 在长时序数据上的可靠推理与泛化能力。
研究机构
哥伦比亚大学, 美国
北卡罗来纳大学教堂山分校, 美国
耶鲁大学, 美国
加利福尼亚大学洛杉矶分校, 美国
谷歌, 美国
论文信息