본 논문은 대규모 언어 모델(LLM)의 추론 능력을 시계열 분류(TSC) 작업에 효과적으로 활용하기 위한 새로운 프레임워크인 ReasonTSC를 제안합니다. ReasonTSC는 기존의 추론 기법을 단순히 적용하거나 LLM의 내장 추론 기능에만 의존하는 대신, 다중 턴 추론과 TSC에 맞춤화된 융합 의사결정 전략을 통해 시계열 데이터의 본질적인 특징을 고려하도록 모델을 유도합니다. 도메인 특정 시계열 모델과 같은 플러그인 분류기의 예측 및 신뢰도 점수를 인 컨텍스트 예시로 통합하고, LLM이 초기 평가를 검토하고, 대안적 가설을 고려하며, 장단점을 비교하여 최종 분류에 도달하는 구조화된 추론 과정을 안내합니다. 실험 결과, ReasonTSC는 기존 시계열 추론 기준 및 플러그인 모델보다 성능이 우수하며, 플러그인 모델의 잘못된 예측을 식별하고 수정할 수도 있음을 보여줍니다.
