순서가 있습니다. 포털 넷(연구방·지식센터·커뮤니티·아카데미)을 먼저 담고,
SSRA 는 맨 나중에 담아 주세요. SSRA 를 먼저 담으면 나머지가 그 안에 포함된 것으로
잡혀 따로 담기지 않습니다. 아이콘도 담을 차례대로 놓았습니다 — 왼쪽부터 차례로 누르시면 됩니다.
LLM4TS: Aligning Pre-Trained LLMs as Data-Efficient Time-Series Forecasters
Ching Chang, Wei‐Yao Wang, Wen-Chih Peng 외 · ACM Transactions on Intelligent Systems and Technology · 2025년 · 조회 7
왜 이 논문인가 — 선정 기준
HOT PAPER · 최근 가장 주목받는 논문 — 피인용·FWCI·동년 인용 백분위
2025-04 발표 · 피인용 453회 · 분야 내 인용 영향력 상위권 · 동년 인용 상위 1%
HOT PAPER 슬롯은 최신 논문 중 높은 주목도를 요구하는데, 2025년 발표 후 453회 인용되어 동년 논문 상위 1%에 속한다.
논문 요약
다변량 시계열 예측은 경제·기상 등 다양한 분야에서 핵심적이지만, 기존 딥러닝 모델은 대량의 학습 데이터를 필요로 한다. 최근 사전학습된 대형 언어모델(LLM)의 표현 전이 가능성을 활용해 데이터가 적은 상황에서도 높은 성능을 달성하고자 한다. LLM4TS는 두 단계 미세조정을 제안한다: 첫 단계는 시계열 특성에 맞게 LLM을 정렬하고, 두 번째 단계에서 예측 작업에 활용한다. 이 접근은 언어와 시계열 데이터 간 차이를 완화하고, 다중 스케일 시간 정보를 처리한다.
후속 연구설계에 활용하기
두 단계 정렬-예측 파이프라인을 다른 도메인(예: 의료 시계열)에도 적용해 데이터 효율성을 검증하거나, 정렬 단계의 손실 함수 설계를 확장하는 연구를 설계할 수 있다.
핵심어
시계열 예측대형 언어모델전이 학습데이터 효율성
실존 확인
이 논문은 OpenAlex에서 후보로 수집한 뒤, Crossref에 등록된 DOI와 제목 일치를 확인해 노출합니다.
SSRA가 문헌연구에서 인용 논문의 실재 여부를 검증하는 원칙과 같습니다.