Structure-Aware Behavioral Alignment of Large Language Models for Robust Time Series Forecasting
Dit artikel introduceert TSLLM-BO, een tweestaps raamwerk dat de robuustheid en structurele getrouwheid van op LLM gebaseerde tijdreeksvoorspelling verbetert door een tijd-tekst uitlijningarchitectuur te combineren met een differentieerbare samengestelde beloning en Dynamic Policy Clipping om de uitdagingen bij het toepassen van reinforcement learning op continue, langetermijnvoorspellingstaken te overwinnen.