대규모 언어 모델(LLM)은 다변량 시계열 분류(MTSC)에서 효과를 보였지만, MTSC를 위해 LLM을 효과적으로 적용하려면 유익한 데이터 표현이 필요하다. 기존의 LLM 기반 방법은 시계열 임베딩을 LLM의 잠재 공간 내에서 처음부터 인코딩하여 LLM의 의미 공간에 정렬한다. 그러나 이러한 방법은 (1) 시간적 및 채널별 정보를 손실 없이 인코딩하는 데 어려움이 있고, (2) 학습된 표현 공간을 LLM의 의미 공간에 정렬하기 어렵고, (3) 작업별 재훈련이 필요하다는 세 가지 병목 현상을 가지고 있다. 이러한 격차를 해결하기 위해, 본 논문은 MTSC를 표 이해 작업으로 재구성하는 TableTime을 제안한다. TableTime은 (1) 다변량 시계열을 표 형식으로 변환하여 정보 손실을 최소화하고, (2) LLM의 의미 공간과의 자연스러운 정렬을 위해 표 형식의 시계열을 텍스트 형식으로 표현하며, (3) 컨텍스트 텍스트 정보, 이웃 지원, 다중 경로 추론 및 문제 분해를 통합하는 추론 프레임워크를 설계하여 LLM의 추론 능력을 향상시키고 제로샷 분류를 실현한다. UEA 아카이브의 10개의 공개 대표 데이터 세트에 대한 실험을 통해 TableTime의 우수성을 검증했다.
