SenTSR-Bench: 주입된 지식을 활용한 시계열 추론

SenTSR-Bench: Thinking with Injected Knowledge for Time-Series Reasoning

시계열 진단 추론은 다양한 응용 분야에서 필수적이지만, 기존 솔루션은 지속적인 한계를 가지고 있습니다. 범용 추론 거대 언어 모델(GRLM)은 강력한 추론 능력을 보유하고 있지만, 복잡한 시계열 패턴을 이해하기 위한 도메인 특화 지식이 부족합니다. 반면, 미세 조정된 시계열 언어 모델(TSLM)은 이러한 패턴을 이해하지만, 더 복잡한 질문에 대한 추론 능력을 일반화하는 데 어려움을 겪습니다. 이러한 격차를 해소하기 위해, 우리는 TSLM에서 생성된 인사이트를 GRLM의 추론 과정에 직접 주입하는 하이브리드 지식 주입 프레임워크를 제안합니다. 이를 통해 도메인 지식을 활용한 강력한 시계열 추론이 가능합니다. 지식 주입 미세 조정에 필요한 데이터 수집은 비용이 많이 들기 때문에, 우리는 인간의 감독 없이 풍부한 지식을 가진 추론 과정을 도출하기 위해 검증 가능한 보상을 사용하는 강화 학습 기반 접근 방식(RLVR)을 활용합니다. 그런 다음, 이러한 도메인 지식을 가진 추론 과정을 GRLM에 효율적으로 주입합니다. 또한, 실제 산업 운영에서 수집된 다변량 시계열 기반 진단 추론 벤치마크인 SenTSR-Bench를 공개합니다. SenTSR-Bench 및 기타 공개 데이터 세트에서, 우리의 방법은 TSLM보다 9.1%~26.1% 더 뛰어나고, GRLM보다 7.9%~22.4% 더 뛰어난 성능을 보이며, 강력하고 상황 인지적인 시계열 진단 인사이트를 제공합니다.

Time-series diagnostic reasoning is essential for many applications, yet existing solutions face a persistent gap: general reasoning large language models (GRLMs) possess strong reasoning skills but lack the domain-specific knowledge to understand complex time-series patterns. Conversely, fine-tuned time-series LLMs (TSLMs) understand these patterns but lack the capacity to generalize reasoning for more complicated questions. To bridge this gap, we propose a hybrid knowledge-injection framework that injects TSLM-generated insights directly into GRLM's reasoning trace, thereby achieving strong time-series reasoning with in-domain knowledge. As collecting data for knowledge injection fine-tuning is costly, we further leverage a reinforcement learning-based approach with verifiable rewards (RLVR) to elicit knowledge-rich traces without human supervision, then transfer such an in-domain thinking trace into GRLM for efficient knowledge injection. We further release SenTSR-Bench, a multivariate time-series-based diagnostic reasoning benchmark collected from real-world industrial operations. Across SenTSR-Bench and other public datasets, our method consistently surpasses TSLMs by 9.1%-26.1% and GRLMs by 7.9%-22.4%, delivering robust, context-aware time-series diagnostic insights.