# LETS-C: Leveraging Text Embedding for Time Series Classification

### 저자

Rachneet Kaur, Zhen Zeng, Tucker Balch, Manuela Veloso

### 개요

본 논문은 시계열 데이터 분류에 대한 기존의 대규모 언어 모델(LLM) 기반 접근 방식의 한계(매우 큰 모델 크기)를 극복하기 위해, 사전 훈련된 텍스트 임베딩 모델을 활용하여 시계열 데이터를 임베딩하고, CNN과 MLP로 구성된 간단한 분류 헤드와 결합하는 새로운 방법론인 LETS-C를 제안합니다.  실험 결과, LETS-C는 기존 최고 성능(SOTA) 모델보다 분류 정확도가 높으면서도, 학습 가능한 파라미터 수가 평균 14.5%에 불과하여 경량화된 모델임을 보여줍니다.  이는 텍스트 임베딩 모델과 간단한 분류 헤드의 결합이 고성능과 경량화를 동시에 달성할 수 있는 유망한 방향임을 시사합니다.

### 시사점, 한계점

- **시사점:**

    - 기존 SOTA 모델보다 높은 분류 정확도 달성.

    - 기존 LLM 기반 모델보다 훨씬 적은 (14.5%) 학습 가능한 파라미터로 경량화된 모델 구현.

    - 텍스트 임베딩 모델과 간단한 분류 헤드의 결합이 시계열 분류에 효과적임을 제시.

- **한계점:**

    - 제시된 방법론이 모든 시계열 데이터 유형에 일반화될 수 있는지에 대한 추가 연구 필요.

    - 다양한 데이터셋에 대한 추가적인 실험이 필요.

    - 특정 텍스트 임베딩 모델에 대한 의존성으로 인한 한계점 존재 가능성.

[PDF 보기](https://arxiv.org/pdf/2407.06533)

![https://i.imgur.com/yspGjrA.jpeg](https://i.imgur.com/yspGjrA.jpeg)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).