時系列分析のための視覚モデルの活用：サーベイ

要旨

時系列分析は、従来の自己回帰モデル、深層学習モデルから、最近のTransformerや大規模言語モデル（LLMs）へと、目覚ましい発展を遂げてきました。その過程で、ビジョンモデルを時系列分析に活用する試みも行われてきましたが、この分野ではシーケンスモデリングが主流であるため、コミュニティにはあまり目立たない存在でした。しかし、連続的な時系列データとLLMsの離散的なトークン空間との乖離、および多変量時系列における変数間の相関を明示的にモデル化する難しさから、一部の研究の注目は、同様に成功を収めている大規模ビジョンモデル（LVMs）やビジョン言語モデル（VLMs）に向けられています。既存の文献における空白を埋めるため、本調査では、時系列分析におけるビジョンモデルのLLMsに対する利点について議論します。また、時系列を画像としてエンコードする方法や、画像化された時系列をさまざまなタスクのためにモデル化する方法といった主要な研究課題に答える詳細な分類体系を二つの視点から提供し、既存の手法について包括的かつ深い概観を示します。さらに、このフレームワークにおける前処理および後処理ステップの課題を取り上げ、ビジョンモデルを用いた時系列分析をさらに進化させるための将来の方向性を提示します。

English

Time series analysis has witnessed the inspiring development from traditional autoregressive models, deep learning models, to recent Transformers and Large Language Models (LLMs). Efforts in leveraging vision models for time series analysis have also been made along the way but are less visible to the community due to the predominant research on sequence modeling in this domain. However, the discrepancy between continuous time series and the discrete token space of LLMs, and the challenges in explicitly modeling the correlations of variates in multivariate time series have shifted some research attentions to the equally successful Large Vision Models (LVMs) and Vision Language Models (VLMs). To fill the blank in the existing literature, this survey discusses the advantages of vision models over LLMs in time series analysis. It provides a comprehensive and in-depth overview of the existing methods, with dual views of detailed taxonomy that answer the key research questions including how to encode time series as images and how to model the imaged time series for various tasks. Additionally, we address the challenges in the pre- and post-processing steps involved in this framework and outline future directions to further advance time series analysis with vision models.

時系列分析のための視覚モデルの活用：サーベイ

Harnessing Vision Models for Time Series Analysis: A Survey

要旨

Summary

Support

Support