FETA: Classificazione di Serie Temporali Senza Addestramento tramite Agenti LLM
FETA, un innovativo framework multi-agente, facilita la classificazione di serie temporali senza necessità di addestramento, sfruttando LLM di ragionamento per abbinare i dati di query con esempi etichettati che condividono similarità strutturali. Il metodo scompone le serie multivariate in sottoproblemi specifici per ciascun canale, recupera esempi rappresentativi per tali canali e combina le etichette a livello di canale applicando una ponderazione basata sulla confidenza. Questa strategia non solo elimina la necessità di pre-addestramento o fine-tuning, ma aumenta anche l'efficienza eliminando i canali non essenziali e migliora l'interpretabilità dei risultati.
Fatti principali
- 1. FETA è un framework multi-agente per la classificazione di serie temporali senza addestramento.
- 2. Utilizza il ragionamento in-context basato su esempi con LLM.
- 3. Le serie multivariate vengono scomposte in sottoproblemi per canale.
- 4. Esempi etichettati strutturalmente simili vengono recuperati per ciascun canale.
- 5. Un LLM di ragionamento produce etichette a livello di canale con autovalutazione della confidenza.
- 6. Un aggregatore ponderato per confidenza fonde tutte le decisioni dei canali.
- 7. Non è richiesto pre-addestramento o fine-tuning.
- 8. L'efficienza è migliorata eliminando i canali irrilevanti e controllando la lunghezza dell'input.
Entità
—