في عالم تحليل البيانات، تظل السلاسل الزمنية (Time Series) تحديًا كبيرًا في مجال التصنيف. تعتمد معظم الطرق الحالية على نماذج تفريقية تقليدية، تعمل على تحويل التسلسلات المدخلة إلى تسميات فئة مشفرة بطريقة فردية، مما يجعل من الصعب عليها استيعاب الميزات السياقية أو فهم العلاقات الدلالية بين الفئات. وهذا ما دفع الباحثين لتطوير إطار عمل جديد يُدعى InstructTime.

يقدّم InstructTime نهجًا ثوريًا من خلال إعادة صياغة تصنيف السلاسل الزمنية كمهام توليدية متعددة الوسائط (Multimodal Generative Tasks). حيث تُعتبر التسلسلات العددية المستمرة، والميزات النصية السياقية، وتعليمات المهام كمدخلات متعددة الوسائط، بينما يتم إنتاج تسميات الفئات كنصوص بواسطة نماذج لغوية مُعدلة.

ولتجسير الفجوة بين الأساليب المختلفة، تم إدخال وحدة تسلسل زمني لتحويل التسلسلات المستمرة إلى رموز زمنية تمييزية، جنبًا إلى جنب مع طبقة محاذاة و استراتيجية ما قبل التدريب الذاتي التوليدية لتعزيز الارتباط بين الأساليب المختلفة.

وبناءً على هذا الإطار، تم تطوير InstructTime++ الذي يستفيد من نمذجة الميزات الضمنية لتعويض نقص التحيز الاستقرائي في نماذج اللغة. حيث يستخدم InstructTime++ أدوات متخصصة لاستخراج أنماط معلوماتية ضمنية من السلاسل الزمنية الخام والمدخلات السياقية، بما في ذلك استخراج الميزات الإحصائية ووصوف الصور المعتمدة على النصوص، ويترجمها إلى أوصاف نصية لدمج سلس.

تشير النتائج إلى أن InstructTime++ قد أظهر أداءً متفوقًا خلال التجارب على عدة مجموعات بيانات مرجعية، مما يجعل منه أداة فعالة في مجال تصنيف السلاسل الزمنية. نتطلع إلى رؤية كيف ستؤثر هذه التطورات على البحث والتطبيقات العملية في المستقبل.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.