DiffNator：時系列データ差異の構造化説明の生成
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.20007v1 発行種別：新規
要旨：多くのIoTアプリケーションにおいて、関心の中心は個々のセンサ信号ではなく、それらの差異にあります。しかし、そのような差異を解釈するには専門知識が必要です。本稿では、2つの時系列間の差異に関する構造化された説明のためのフレームワーク、DiffNatorを提案します。まず、そのような差異の本質的な特性を捉えるJSONスキーマを設計します。Time-series Observations of Real-world IoT (TORI)データセットを用いて、ペアになったシーケンスを生成し、時系列エンコーダと固定されたLLMを組み合わせたモデルを訓練し、JSON形式の説明を出力します。実験結果から、DiffNatorは正確な差異説明を生成し、視覚的質問応答(VQA)ベースラインと、事前学習済み時系列エンコーダを用いた検索手法の両方よりも大幅に優れた性能を示すことが分かりました。
原文（英語）を表示
Title (EN): DiffNator: Generating Structured Explanations of Time-Series Differences
arXiv:2509.20007v1 Announce Type: new
Abstract: In many IoT applications, the central interest lies not in individual sensor signals but in their differences, yet interpreting such differences requires expert knowledge. We propose DiffNator, a framework for structured explanations of differences between two time series. We first design a JSON schema that captures the essential properties of such differences. Using the Time-series Observations of Real-world IoT (TORI) dataset, we generate paired sequences and train a model that combine a time-series encoder with a frozen LLM to output JSON-formatted explanations. Experimental results show that DiffNator generates accurate difference explanations and substantially outperforms both a visual question answering (VQA) baseline and a retrieval method using a pre-trained time-series encoder.
Published: 2025-09-24 19:00 UTC