PATRA: 패턴 인식 기반 정렬 및 균형 잡힌 추론을 통한 시계열 질의응답

PATRA: Pattern-Aware Alignment and Balanced Reasoning for Time Series Question Answering

시계열 추론은 복잡한 동역학의 인식과 논리적 깊이를 모두 필요로 합니다. 그러나 기존의 LLM 기반 접근 방식은 다음과 같은 두 가지 한계를 보입니다. 첫째, 시계열 데이터를 단순히 텍스트 또는 이미지로 취급하여 특정 질문에 답하는 데 필요한 추세 및 계절성과 같은 패턴을 제대로 파악하지 못합니다. 둘째, 간단한 작업과 복잡한 작업을 혼합하여 학습할 때, 간단한 작업이 학습 과정에서 지배적인 역할을 하여 심층적인 추론 능력의 발전을 저해합니다. 이러한 한계를 해결하기 위해, 우리는 패턴 인식 기반 정렬 및 균형 잡힌 추론 모델(PATRA)을 제안합니다. PATRA는 시계열 데이터에서 추세 및 계절성 패턴을 추출하여 심층적인 정렬을 달성하는 패턴 인식 메커니즘을 도입합니다. 또한, 다양한 난이도의 작업에 대한 균형 잡힌 보상 체계를 설계하여 일관성 있는 사고 과정을 유도하고, 학습 과정을 조화롭게 합니다. 광범위한 실험 결과, PATRA는 다양한 시계열 질의응답(TSQA) 작업에서 강력한 기준 모델보다 뛰어난 성능을 보이며, 이는 우수한 다중 모드 이해 및 추론 능력을 입증합니다.

Time series reasoning demands both the perception of complex dynamics and logical depth. However, existing LLM-based approaches exhibit two limitations: they often treat time series merely as text or images, failing to capture the patterns like trends and seasonalities needed to answer specific questions; and when trained on a mix of simple and complex tasks, simpler objectives often dominate the learning process, hindering the development of deep reasoning capabilities. To address these limitations, we propose the Pattern-Aware Alignment and Balanced Reasoning model (PATRA), introducing a pattern-aware mechanism that extracts trend and seasonality patterns from time series to achieve deep alignment. Furthermore, we design a task-aware balanced reward to harmonize learning across tasks of varying difficulty, incentivizing the generation of coherent Chains of Thought. Extensive experiments show that PATRA outperforms strong baselines across diverse Time Series Question Answering (TSQA) tasks, demonstrating superior cross-modal understanding and reasoning capability.