본 논문은 대규모 언어 모델(LLM)을 다양한 시계열 작업에 통합하는 새로운 방법인 LLM-ABBA를 제시합니다. 기존의 ABBA (adaptive Brownian bridge-based symbolic aggregation) 방법을 활용하여 시계열을 기호화하고, LLM의 기존 토큰을 사용하여 시계열에 숨겨진 의미 정보를 활용합니다. LLM-ABBA는 UCR 및 세 가지 의료 시계열 분류 작업에서 최첨단 성능을 보이며, Time Series Extrinsic Regression (TSER) 벤치마크에서는 새로운 최첨단 성능을 달성합니다. 또한, 고정 다각형 체인 기법을 도입하여 예측 과정에서 누적 오차를 완화하여 예측 성능을 향상시켰습니다. 이 프레임워크는 다른 시계열 작업으로도 확장 가능할 것으로 기대됩니다.
