论文研读 | 大模型时序应用——基于对比学习的时序数据embedding

本文是由北京大学和阿里联合发布的大模型应用研究论文，总结了使用今天的语言模型（LLM）完成时间序列（TS）任务的两种策略，并设计了一种适合于LLM的TS嵌入方法——TEST——来激活LLM对TS数据的能力，在llm对TS分类和预测任务中达到了接近SOTA的能力，通过将LLM作为模式机器，让LLM可以在不影响语言能力的情况下处理TS数据。

TEST: Text Prototype Aligned Embedding to Activate LLM’s Ability for Time Series

Chenxi Sun, Yaliang Li, Hongyan Li, Shenda Hong(2023, August).

Peking University, Alibaba Group

1. 背景和问题

将时间序列（Time Series, TS）与LLM融合的方式有两条路线：

（1）LLM-for-TS：针对TS数据，从头开始设计并预训练一个基本的大型模型，然后为各种下游任务相应地微调模型；

（2）TS-for-LLM：基于现有的LLM，使它们能够处理TS数据和任务。 不是创建一个新的LLM，而是设计一些机制来为LLM定制TS。

第一种方法是最基本的解决方案，因为预训练是向模型灌输知识的关键步骤。而第二种方法实际上很难超越模型的原始能力。囿于如下三个原因，本论文仍然关注第二种方法：

1. 数据：TS通常为专业数据，难以大量获取；

2. 模型：LLM-for-TS专注于垂直行业，跨领域需要重新建立，而TS-for-LLM可以插件化，几乎不需要训练，更加通用和方便；

3. 用途：LLM-for-TS适合涉及专家的情况，TS-for-LLM保持了LLM的文本能力，同时提供丰富的补充语义，易于访问和用户友好。

基于预训练的LLM，如果将TS视为文本数据，可能的形式是：

[Q] 通过以下平均动脉压力序列（单位：毫米汞柱）判断患者是否患有败血症：88、95、78、65、52、30。

[A] 是的

然而，TS通常是多变量的，而文本是单变量的。处理单变量文本的LLM会将多变量TS转化为多个单变量序列并逐一输入它们。这样有三个缺点：

1. 不同的prompts、顺序和连接语句会产生不同的结果；

2. 长输入序列可能使LLM效率低下，难以记住前一个单变量TS；

3. TS中的多变量依赖性的关键方面将被忽略。

于是，本论文对TS进行了token化，设计了一个嵌入TS token的模型，并替换了LLM的嵌入层。 核心就是创建能够被LLM理解的嵌入。

SOTA方法通过图像的文本描述来对齐文本嵌入和图像嵌入。但是TS缺乏视觉线索，并且存在标注瓶颈，只有少量TS，如ECG，适合转化为文本描述。自监督对比学习可以利用固有信息设计pretext任务，而不是依赖预先定义的先验知识，从而避免标注瓶颈。但是无约束对比学习生成的表示向量很可能与LLM的认知嵌入空间有很大的偏离。

本文提出Text embedding space of LLM (TEST)方法，在对比学习基础上，使用以正交文本嵌入向量为原型约束TS的嵌入空间，并通过识别特征原型来突出模式，激活LLM的模式机能力。

2. 方法介绍

Text emb