본 논문은 대규모 언어 모델(LLM)을 시계열 데이터 분석에 활용하는 새로운 프레임워크인 TimeSense를 제안한다. 기존 방법론들이 텍스트 기반의 학습으로 인해 시계열 데이터의 온전한 특징을 반영하지 못하는 문제를 해결하고자, TimeSense는 텍스트 추론과 시계열 데이터의 역학 관계를 균형 있게 고려한다. 이를 위해 Temporal Sense 모듈을 통해 입력 시계열 데이터를 모델의 컨텍스트 내에서 재구성하고, 좌표 기반 위치 임베딩을 활용하여 시계열 데이터의 공간적 이해를 높인다. 다양한 시계열 분석 작업을 평가하는 EvalTS 벤치마크를 구축하여 TimeSense의 성능을 검증한 결과, 여러 작업에서 SOTA를 달성하고 특히 복잡한 다차원 시계열 추론 작업에서 뛰어난 성능을 보였다.
시사점, 한계점
•
시사점:
◦
LLM을 활용한 시계열 분석의 새로운 접근 방식 제시: 텍스트 추론과 시계열 데이터의 통합.
◦
EvalTS 벤치마크를 통해 다양한 시계열 분석 작업에 대한 평가 수행 및 성능 검증.
◦
Temporal Sense 모듈 및 좌표 기반 위치 임베딩을 통한 시계열 데이터의 이해도 향상.
