گروهی از پژوهشگران چارچوبی نوین به نام TimeSAF معرفی کرده‌اند که kritische محدودیت‌های رویکردهای فعلی مدل‌های زبانی بزرگ در پیش‌بینی سری‌های زمانی را هدف قرار می‌دهد. روش‌های سنتی از ادغام عمیق همزمان استفاده می‌کنند که تعاملات متراکمی میان ویژگی‌های متنی و زمانی در هر لایه شبکه اعمال می‌کند؛ با این حال، این طراحی تفاوت granularity ذاتی بین وجه‌های مختلف را در نظر نمی‌گیرد.
مشکل اصلی که «ناهمخوانی ادراک معنایی» نامیده شده، زمانی رخ می‌دهد که معنای انتزاعی سطح بالای مدل‌های زبانی به‌طور نامناسبی با دینامیک عددی سطح پایین داده‌های سری زمانی درهم‌تنیده می‌شود. این درهم‌تنیدگی، هدایت مؤثر پیش‌بینی‌ها را توسط دانش معنایی دشوار می‌سازد.
TimeSAF ادغام سلسله‌مراتبی ناهمگام را معرفی می‌کند تا یادگیری ویژگی‌های تک‌وجهی را از تعامل چندوجهی جدا کند. این چارچوب شامل یک تنه ادغام معنایی چندوجهی مستقل است که از کوئری‌های قابل یادگیری برای تجمیع معنای جهانی از تنه‌های زمانی و متنی به‌صورت صعودی استفاده می‌کند. علاوه بر این، یک رمزگشای بازسازی معنایی مرحله‌ای این سیگنال‌های سطح بالا را به‌صورت ناهمگام به تنه زمانی بازمی‌گرداند.
این مکانیزم هدایت معنایی پایدار و کارآمد را فراهم می‌کند و از تداخل با دینامیک زمانی سطح پایین جلوگیری می‌نماید. نتایج تجربی بر روی معیارهای استاندارد پیش‌بینی بلندمدت نشان می‌دهد که TimeSAF به‌طور قابل توجهی از خطوط پایه پیشرفته پیشی می‌گیرد. این رویکرد همچنین قابلیت تعمیم‌پذیری قوی در تنظیمات انتقال few-shot و zero-shot از خود نشان می‌دهد.
نوآوری اصلی این روش در جداسازی وظایف بین درک معنا و شناسایی الگوهای زمانی نهفته است که به هر مؤلفه اجازه می‌دهد بدون به خطر انداختن دیگری به‌صورت بهینه عمل کند. TimeSAF با تبادل ناهمگام اطلاعات، یکپارچگی الگوهای عددی ظریف را حفظ کرده و در عین حال از بینش‌های معنایی سطح بالا برای بهبود دقت پیش‌بینی بهره می‌برد.
گفتگو