[논문] InA-Probe: LLM 기반 시계열 예측을 위한 명령 인식형 능동 탐색
개요
대형 언어 모델(LLM)은 최근 시계열 예측에서 놀라운 잠재력을 보여주고 있습니다. 그러나 기존 방법들은 주로 수동적인 모달리티 정렬이나 정적인 작업 재프로그래밍에 의존하는데, 이는 세밀하고 비정상적인 시간 패턴을 포착하거나 미묘한 작업 의도를 반영하는 데 한계가 있습니다. 본 논문에서는 **Instruction-aware Active Probing (InA‑Probe)**을 제안하여, 수동 정렬에서 벗어나 능동적이고 지시 기반의 탐색 메커니즘으로 패러다임을 전환합니다. 구체적으로, 전역 작업 목표와 세밀한 패치‑레벨 의미 사전 정보를 모두 모델에 주입하는 다중 레벨 지시 삽입(Multi‑Level Instruction Injection) 메커니즘을 설계했습니다. 이를 기반으로 적응형 질의 생성(Adaptive Query Generation) 모듈이 시간적 컨텍스트에 따라 동적으로 조절되는 샘플별 탐색자를 생성합니다. 이러한 탐색자는 두 단계의 어텐션 과정을 통해 정제됩니다: 먼저 Instruction‑Aware Self‑Attention을 통해 작업‑특화 의도를 내재화하고, 이어서 Temporal Cross‑Attention을 이용해 투영된 시간 표현을 질의함으로써 핵심 패턴을 추출합니다. 7개의 실제 벤치마크에 대한 포괄적인 실험 결과, InA‑Probe는 최신 딥러닝 및 LLM 기반 베이스라인을 지속적으로 능가하며, 전체‑일반화와 제로‑샷 전이 모두에서 뛰어난 성능을 보이고, 특히 도메인 간 어려운 상황에서 예측 오류를 최대 37 %까지 감소시켰습니다. 소거 실험(ablation study) 역시 적응형 질의와 세밀한 지시의 시너지 효과가 복잡한 시계열에 대한 LLM의 추론 능력을 열어주는 핵심임을 확인했습니다.
주요 기여
본 논문은 다음 분야의 연구를 제시합니다:
- cs.AI
방법론
자세한 방법론은 전체 논문을 참고하시기 바랍니다.
실용적 함의
본 연구는 cs.AI 분야의 발전에 기여합니다.
저자
- Peiliang Gong
- Emadeldeen Eldele
- Chenyu Liu
- Ziyu Jia
- Yi Ding
- Xinliang Zhou
- Lianchao Gu
- Qi Zhu
- Yang Liu
- Daoqiang Zhang
- Xiaoli Li
논문 정보
- arXiv ID: 2606.08601v1
- Categories: cs.AI
- Published: 2026년 6월 7일
- PDF: PDF 다운로드