Resumo Técnico: Da Análise de Séries Temporais à Resposta a Perguntas: Um Levantamento na Era dos LLMs

1. Declaração do Problema

A integração de Modelos de Linguagem de Grande Escala (LLMs) na Análise de Séries Temporais (AST) introduziu um paradigma novo, aproveitando capacidades de linguagem natural para tarefas como previsão e detecção de anomalias. No entanto, existe uma lacuna fundamental entre a AST tradicional e os LLMs. A AST convencional depende de pipelines orientados por especialistas e específicos para tarefas (por exemplo, objetivos fixos de previsão ou classificação) e modelos predefinidos. Em contraste, os LLMs são pré-treinados para otimizar a relevância linguística para resposta a perguntas, não para objetivos especializados de AST.

Consequentemente, os métodos atuais de AST não conseguem cobrir adequadamente "tarefas de linguagem temporal", como interpretação profunda, legendagem e investigação flexível orientada pelo usuário. O campo está evoluindo da Análise de Séries Temporais (AST) para a Resposta a Perguntas sobre Séries Temporais (RPST). A RPST desloca o foco da análise orientada por especialistas e específica para tarefas, para a resposta a perguntas orientada pelo usuário e unificada em relação às tarefas. Essa evolução exige a ponte entre dados numéricos de séries temporais e as capacidades de raciocínio linguístico dos LLMs por meio de um alinhamento eficaz.

2. Metodologia: Uma Taxonomia de Paradigmas de Alinhamento

O artigo propõe uma taxonomia abrangente que categoriza a literatura existente em três paradigmas de alinhamento distintos, impulsionados por uma transição do alinhamento externo para o interno. Esses paradigmas são definidos por duas dimensões: se é necessária modificação temporal (adaptar séries temporais para LLMs) e se os parâmetros do LLM são treinados.

2.1 Alinhamento Injetivo

• Definição: Este paradigma injeta séries temporais numéricas diretamente em prompts de texto sem modificar os próprios dados de séries temporais ou a arquitetura do LLM. Utiliza LLMs congelados.
• Mecanismo: Sequências numéricas são codificadas em incorporações de tokens ou convertidas em séries temporais textuais ($X_{Text}$) e anexadas aos prompts.
• Estratégias de Otimização:
  • Aprendizado em Contexto (ICL): Orienta o LLM usando demonstrações de tarefas (por exemplo, LVICL, LLMAD).
  • Cadeia de Pensamento (CoT): Decompõe tarefas complexas em etapas intermediárias ordenadas para aprimorar o raciocínio (por exemplo, LSTPrompt, TimerBed).
• Características: Flexível e opera fora do LLM; adequado para aplicações específicas de domínio onde a qualidade do prompt é crítica.

2.2 Alinhamento de Ponte

• Definição: Este paradigma estabelece mapeamentos entre séries temporais numéricas e prompts de texto, introduzindo modificação temporal enquanto ainda emprega LLMs congelados.
• Mecanismo: Um módulo de ponte (por exemplo, adaptadores) projeta séries temporais em um espaço de incorporação compatível com o LLM.
• Estratégias de Otimização:
  • Recuperação por Similaridade (SR): Alinha representações numéricas e textuais por meio de perda contrastiva ou espaços de reprogramação (por exemplo, Time-LLM, Time-CMA).
  • Adaptação de Baixa Riqueza (LoRA): Introduz atualizações de baixa riqueza eficientes em parâmetros em LLMs pré-treinados para ajuste específico de tarefas sem alterar parâmetros base (por exemplo, HiTime, AutoTimes).
• Características: Operação econômica fora do núcleo do LLM; eficaz na captura de características de séries temporais por meio de informações semânticas alinhadas.

2.3 Alinhamento Interno

• Definição: Este paradigma modifica componentes internos e parâmetros do LLM, combinando modificação temporal com o treinamento do LLM.
• Mecanismo: Aprimora representações de séries temporais (numéricas, visuais ou tabelas estruturadas) e atualiza pesos do LLM para fornecer suporte nativo a séries temporais.
• Estratégias de Otimização:
  • Re-treinamento (RT): Unifica modalidades temporais e textuais por meio de pré-treinamento contínuo e ajuste por instrução (por exemplo, ChatTime, ChatTS).
  • Aprendizado por Reforço (RL): Alinha o comportamento do LLM com objetivos temporais usando sinais de recompensa derivados de resultados sequenciais (por exemplo, TimeSense, Alpha-R1).
• Características: Fornece alinhamento interno profundo e generalizável; requer recursos substanciais de treinamento, mas oferece adaptabilidade superior para raciocínio complexo.

3. Contribuições Principais

1. Distinção Conceitual: O artigo distingue e define formalmente AST (predefinida, orientada por especialistas) e RPST (unificada, orientada pelo usuário, exploração flexível), enquadrando esta última como a evolução da primeira.
2. Taxonomia Unificada: Propõe uma taxonomia de três paradigmas de alinhamento (Injetivo, de Ponte, Interno) que cobre a evolução da AST para a RPST. Isso integra pesquisas anteriormente isoladas em um quadro unificado baseado em estratégias de alinhamento.
3. Orientação Prática: Os autores fornecem orientação acionável para a seleção de paradigmas de alinhamento com base em restrições como custo computacional, disponibilidade de dados e necessidade de generalização.
4. Análise de Conjuntos de Dados: O levantamento analisa conjuntos de dados representativos em diversos domínios (Médico, Financeiro, IoT, Geral) e características (padrões temporais, multivariados espaciais, representações multimodais), destacando os trade-offs entre representações numéricas, textuais e visuais.
5. Identificação de Desafios: O artigo identifica desafios críticos, incluindo a falta de supervisão de raciocínio em conjuntos de dados, a transição da extração explícita para implícita de tarefas e a questão da alucinação numérica em LLMs.

4. Resultados e Observações

O levantamento sintetiza 50 trabalhos relevantes e apresenta as seguintes observações distribucionais:

• Distribuição de Paradigmas: O Alinhamento de Ponte domina a literatura (50%), seguido pelo Alinhamento Injetivo (26%) e Alinhamento Interno (24%).
• Distribuição de Tarefas: Tarefas tradicionais de AST representam 60% da literatura, enquanto tarefas de RPST representam 40%.
• Cobertura de Domínios: O domínio Geral (avaliado em múltiplos domínios sem foco específico) representa 74% da literatura, seguido por Médico (10%), Financeiro (8%) e IoT (8%).
• Estratégias de Otimização: A Recuperação por Similaridade (SR) é a estratégia mais comum (36%), seguida por Injeção Direta, LoRA e outras.
• Tendências Evolutivas: De 2024 a 2025, a taxa de crescimento da literatura de RPST superou a de AST. Além disso, o Alinhamento Interno apresenta o aumento mais significativo na atividade de pesquisa, indicando uma tendência em direção a soluções mais integradas e treináveis.

5. Significado e Direções Futuras

O artigo reivindica significado ao fornecer o primeiro levantamento que vê AST e RPST não como campos isolados, mas como um continuum evolutivo impulsionado por paradigmas de alinhamento. Argumenta que a transição do alinhamento externo (Injetivo/De Ponte) para o alinhamento interno é essencial para alcançar raciocínio temporal flexível e orientado pelo usuário.

Direções Futuras Identificadas:

• Dados: Desenvolver conjuntos de dados de RPST de grande escala e multi-domínio que incluam traços explícitos de raciocínio e comportamentos temporais diversos para superar a falta de supervisão de raciocínio.
• Tarefa: Avançar da especificação explícita de tarefas para a extração implícita da intenção do usuário, e integrar ferramentas temporais dedicadas (por exemplo, fatiamento de séries temporais) ao quadro de RPST.
• Método: Abordar a alucinação numérica e a adaptabilidade limitada. Trabalhos futuros devem explorar mecanismos multi-agente para planejamento e autorreflexão, e investigar como os paradigmas de alinhamento podem mitigar melhor erros na previsão de valores contínuos.

Os autores concluem que, embora a AST forneça soluções eficazes específicas para tarefas, a RPST oferece um paradigma mais intuitivo e unificado para compreensão temporal, desde que os desafios de alinhamento relacionados à qualidade dos dados, definição de tarefas e robustez do modelo sejam abordados.