Empowering VLMs for Few-Shot Multimodal Time Series Classification via Tailored Agentic Reasoning

작성자

Haebom

카테고리

Empty

저자

Lin Li, Jiawei Huang, Qihao Quan, Dan Li, Boxin Li, Xiao Zhang, Erli Meng, Wenjie Feng, Jian Lou, See-Kiong Ng

💡 개요

본 논문은 적은 양의 데이터로 다중 모달 시계열 데이터를 분류하기 위한 최초의 에이전트 기반 추론 프레임워크인 MarsTSC를 제안합니다. 이 프레임워크는 반성적 에이전트 추론을 통해 동적으로 개선되는 자체 진화 지식 은행을 활용하며, 생성자, 반성자, 수정자의 세 가지 협력적 역할을 통해 분류 정확도를 높입니다. 이를 통해 기존 방법론 및 파운데이션 모델 기반 접근 방식을 능가하는 성능 향상과 해석 가능한 분류 근거를 제공합니다.

🔑 시사점 및 한계

•

적은 양의 데이터로도 복잡한 다중 모달 시계열 데이터를 효과적으로 분류할 수 있는 새로운 에이전트 기반 프레임워크를 제시했습니다.

•

분류 과정에서 발생하는 오류를 진단하고 개선하는 반성적 추론 과정을 통해 모델의 신뢰성과 해석 가능성을 동시에 높였습니다.

•

테스트 시점 업데이트 전략을 통해 데이터 분포 변화나 소량 데이터 편향 문제를 완화할 수 있는 가능성을 보여주었습니다.

•

에이전트 간의 상호작용 및 지식 은행 업데이트 과정의 복잡성이 실제 적용 시 계산 비용을 증가시킬 수 있습니다.

PDF 보기

Made with Slashpage