MAP4TS: A Multi-Aspect Prompting Framework for Time-Series Forecasting with Large Language Models

あなたは、世界のほぼすべての本を読んだ超賢いロボット（これは大規模言語モデル、または LLM と呼ばれます）を持っていると想像してください。このロボットは物語を理解したり、詩を書いたり、歴史について会話したりするのが得意です。しかし、単に数字のリストを見せられて天気や株価を予測するように求めると、しばしば混乱してしまいます。なぜでしょうか？それは、このロボットが数字を単語のように扱ってしまい、時系列データ特有の隠れたパターンやリズムを見逃してしまうからです。

論文MAP4TSは、このロボットに数字の「言語」を理解させるための新しいアプローチを提案しています。これは、ロボットに大きな全体像と小さな詳細の両方を見るのを助けるために、4 つの異なるセクション、すなわちプロンプトで書かれた特別な指示書を与えるようなものです。

以下に、このフレームワークがどのように機能するかを、簡単なアナロジーを用いて説明します。

1. 4 つの特別な指示（プロンプト）

単に数字のリストをロボットに与えるのではなく、MAP4TS はデータ理解を助けるために 4 つの具体的な「手がかり」をロボットに提供します。

• グローバルドメインプロンプト（「全体像」の地図）:
  明日の気温を推測しようとしていると想像してください。温度計を見る前に、ロボットに「7 月の砂漠にいる」と伝えます。これがグローバルプロンプトです。これはロボットにデータセット全体の広範な文脈を与え、ゲームの一般的なルールを理解させます。

• ローカルドメインプロンプト（「最近の歴史」のスナップショット）:
  次に、ロボットに過去 1 時間发生了什么を見せます。「風が急に強まり、雲が速く動いている」と伝えます。これがローカルプロンプトです。これにより、ロボットは現在のデータの即座の傾向と具体的な振る舞いを理解できるようになります。

• 統計的および時間的プロンプト（「探偵の道具箱」）:
  これが最もユニークな部分です。著者たちはロボットに推測させるだけでなく、数学に基づいた探偵の道具箱を与えます。

  • 統計的プロンプト: 彼らはロボットに、データがどのように繰り返されるか（心拍数のように）や、ある数字が次の数字にどのように影響を与えるかを示すレポートカードを手渡します。これはロボットに、「気温が下がると、2 時間後に湿度が上がることに気づいて」と伝えるようなものです。
  • 時間的プロンプト: 彼らは特別なレンズ（フーリエ解析）を使用して、ロボットにデータ内の隠れたリズムやサイクル、例えばドラムの一定の鼓動や満ち引きする潮のようなものを見せます。

2. 翻訳プロセス

ロボットがこれら 4 つの手がかりと生データを受け取ると、クロスモダリティアライメントモジュールを通じて処理されます。これは翻訳ブースのようなものです。ロボットは「言葉」の手がかり（プロンプト）と「数字」の手がかり（データ）を取り、それらを単一の統合された理解に混ぜ合わせます。赤と青の絵の具を混ぜて紫を作るようなもので、ロボットは実際に処理できる、より豊かで新しいデータの視点を作り出します。

3. 結果：より賢い予測

研究者たちは、この方法を電力使用量、交通、天気など 8 種類の異なるデータでテストしました。その結果、以下がわかりました。

• MAP4TS の勝利: これら 4 つの特別な指示を受けたロボットは、助けなしに推測しようとした他のロボットよりもはるかに未来を正確に予測しました。
• 構造の重要性: 「プロンプト対応」の設計により、ロボットの予測ははるかに安定し、信頼性のあるものになりました。
• サイズだけが全てではない: 驚くべきことに、これらの構造化されたプロンプトを与えられた場合、小さく古いロボットモデル（GPT-2）の方が、巨大で新しいモデル（LLaMA）よりも長期予測において優れたパフォーマンスを発揮しました。これは、良いレシピ本を持つベテランのシェフ（GPT-2）が、整理されていないレシピの膨大な図書館を持つ新人（LLaMA）よりも良い食事を作るようなものです。

要約すると: MAP4TS は、全体像、最近の傾向、そして隠れた数学的リズムを強調する構造化されたガイドを与えることで、言語の専門家であるロボットに数字の読み方を教え、はるかに正確な予測を実現します。