LLM-gesteuerte Architektur-Suche für multimodale Zeitreihen lokal

Die Anwendung von Machine‑Learning auf sensible Zeitreihendaten wird häufig durch einen engen Iterations‑Loop eingeschränkt: Die Leistung hängt stark von der Vorverarbeitung und der gewählten Architektur ab, doch das Training muss oft vor Ort unter strengen Datenschutz‑Vorgaben erfolgen. Dieses Problem tritt besonders in multimodalen Fusion‑Szenarien auf, wo jede Sensor‑Modalität einzeln verarbeitet und anschließend kombiniert werden muss.

Um diesen Engpass zu überwinden, wurde ein neues, datenlokales Framework entwickelt, das die Suche nach optimalen Netzwerkarchitekturen von einem großen Sprachmodell (LLM) leiten lässt. Kandidaten‑Pipelines werden dabei remote generiert, während sämtliche Trainings‑ und Evaluationsschritte ausschließlich lokal unter einem festgelegten Protokoll ausgeführt werden. Der LLM‑Controller erhält lediglich zusammengefasste Leistungsdaten – Pipeline‑Beschreibungen, Metriken, Lernkurve‑Statistiken und Fehlermeldungen – und hat keinen Zugriff auf Rohdaten oder Zwischenergebnisse.

Das System richtet sich gezielt an die Klassifikation von multimodalen Zeitreihen. Es nutzt ein One‑vs‑Rest‑Ansatz mit binären Experten für jede Klasse und Modalität, kombiniert diese über ein leichtgewichtiges MLP und führt die Suche gleichzeitig über die Architekturen der Experten und die spezifische Vorverarbeitung der Modalitäten durch.

In zwei Test‑Regimen – dem öffentlichen UEA30‑Datensatz für multivariate Zeitreihen und dem klinischen SleepEDFx‑Datensatz mit EEG, EOG und EMG – zeigte das Verfahren überzeugende Ergebnisse. Die modularen Basiskomponenten des Frameworks ermöglichen eine effiziente und datenschutzkonforme Modellentwicklung, die sowohl in der Forschung als auch in der Praxis eingesetzt werden kann.