Neue KI-Methodik: TS‑Debate verbessert Zeitreihenanalyse ohne Feinabstimmung

In der Schnittstelle zwischen großen Sprachmodellen (LLMs) und Zeitreihenanalyse wurden kürzlich Fortschritte erzielt, die sowohl vielversprechend als auch anfällig erscheinen. Während LLMs in der Lage sind, über zeitliche Strukturen zu schlussfolgern, wenn die Eingaben sorgfältig gestaltet sind, kämpfen sie häufig mit numerischer Genauigkeit, Modalitätskonflikten und einer systematischen Integration mehrerer Modalitäten.

Die neue Methode namens TS‑Debate adressiert diese Schwächen durch ein kollaboratives, mehragentenbasiertes Debattenframework, das speziell auf die Zero‑Shot‑Zeitreihenanalyse ausgelegt ist. Dabei werden jeweils Expertenagenten für Text, visuelle Muster und numerische Signale eingesetzt. Vor dem eigentlichen Debattenprozess wird gezielt Domänenwissen abgerufen, und die Agenten interagieren anschließend über ein strukturiertes Debattenprotokoll.

Zur Bewertung der von den Agenten aufgestellten Behauptungen kommt ein Reviewer‑Agent zum Einsatz, der mithilfe eines Verifikations‑Konflikt‑Kalibrierungsmechanismus prüft, ob die Aussagen konsistent sind. Dieser Mechanismus wird durch leichtgewichtige Codeausführung und numerische Lookup‑Funktionen unterstützt, die eine programmatische Verifikation ermöglichen. Auf diese Weise bleibt die Modalitätsfidelität erhalten, widersprüchliche Evidenz wird sichtbar gemacht und numerische Halluzinationen werden ohne task‑spezifisches Fine‑Tuning reduziert.

In einer umfangreichen Evaluation mit 20 Aufgaben aus drei öffentlichen Benchmarks zeigte TS‑Debate konsequente und signifikante Leistungssteigerungen gegenüber starken Baselines, darunter auch ein Standard‑Multimodal‑Debate, bei dem alle Agenten sämtliche Eingaben gleichzeitig erfassten. Diese Ergebnisse unterstreichen das Potenzial von TS‑Debate, die Zeitreihenanalyse mit großen Sprachmodellen zuverlässig und effizient zu verbessern.