A Survey of Reasoning and Agentic Systems in Time Series with Large Language Models
Created by
- Haebom
Category
Empty
저자
Ching Chang, Yidan Shi, Defu Cao, Wei Yang, Jeehyun Hwang, Haixin Wang, Jiacheng Pang, Wei Wang, Yan Liu, Wen-Chih Peng, Tien-Fu Chen
개요
시간적 축을 주요 축으로 활용하여 중간 증거를 직접적으로 답변에 통합하는 시계열 추론에 대한 연구를 다룬다. 본 논문은 추론 토폴로지(direct reasoning, linear chain reasoning, branch-structured reasoning)를 기준으로 관련 연구를 분류하고, 전통적인 시계열 분석, 설명 및 이해, 인과 추론 및 의사 결정, 시계열 생성 등 주요 연구 목표를 다룬다. 또한, 분해 및 검증, 앙상블, 도구 사용, 지식 접근, 다중 모드, 에이전트 루프, LLM 정렬 방식을 포괄하는 간결한 태그 세트를 제공한다.
시사점, 한계점
•
시사점:
◦
다양한 추론 토폴로지(direct, linear chain, branch-structured)를 비교 분석하여 각 방식의 장단점을 제시함.
◦
전통적인 시계열 분석부터 딥러닝 기반의 다양한 연구 목표를 포괄하여 광범위한 분야에 대한 이해를 제공함.
◦
추론 품질과 유용성을 연결하는 벤치마크 개발의 중요성을 강조하고, 변화를 인지하는 스트리밍 환경, 장기적인 시나리오를 고려한 폐쇄 루프 테스트베드의 필요성을 제시함.
◦
규모에 맞는 신뢰성을 확보하기 위한 방향성을 제시하며, 설명 가능하고 신뢰할 수 있는 결과를 도출하는 시스템 개발의 가능성을 시사함.
•
한계점:
◦
계산 비용, 재현성, 신뢰성, 견고성, 잠재적 위험에 대한 균형을 맞추는 것이 중요하며, 최적의 균형점을 찾는 것은 여전히 어려운 과제임.
◦
추론 구조는 grounding 능력과 자기 수정 능력을 갖춰야 하지만, 계산 비용 증가를 야기할 수 있음.
◦
미래 연구는 추론 품질과 유용성을 연결하는 벤치마크 개발 및 폐쇄 루프 테스트베드 구축에 달려있음.
