본 논문은 대규모 언어 모델(LLM)을 이용한 시계열 추론에서 기존의 작업 특화 모델 맞춤화 접근 방식의 한계를 지적하고, 시계열 데이터의 고유한 특징인 '시계열 기본 요소'에 초점을 맞춘 새로운 접근 방식을 제안합니다. 기존 방식의 비효율성과 비유연성을 극복하기 위해, 주입 정렬(Injective Alignment), 연결 정렬(Bridging Alignment), 내부 정렬(Internal Alignment)의 세 가지 정렬 패러다임을 제시합니다. 각 패러다임은 시계열 기본 요소의 도메인, 특징, 표현에 중점을 두어 LLM의 시계열 추론 능력을 활성화하여 경제적이고 유연하며 효율적인 추론을 가능하게 합니다. 또한, 적절한 정렬 패러다임 선택을 위한 정렬 중심 방법론을 제안하고, 관련 연구 문헌을 분류하며 미래 연구 방향을 제시합니다.
