Компьютерная наука > Машинное обучение [представлено 4 августа 2026 (v1), последнее пересмотренное 6 сентября 2026 года (эта версия, v2)) Название: TimesRLM: Recursive Language Models Selected Anomaly Localization in Long-Context Time-Series View PDF HTML (экспериментальное) резюме: Предварительная локализация аномалий по длительному текстовому временному ряду является важнейшей задачей в мониторинге прикладных программ во всех областях клинической помощи, промышленных операций, финансовых услуг и материально-технического обеспечения, где краткие данные могут скрываться за продолжительными промежутками высокочастотных данных. В то же время последние контрольные показатели свидетельствуют о снижении эффективности поиска в длинных контекстах, зеркальном отражении режимов отказа в тексте, видении и аудио. В текстовой области Recursive Language Models (RLMs) могут восстановить большую часть этой потерянной работы, сохраняя контекст вне Большого языкового модели (LLM), что позволяет модели запрашивать его с помощью кода. Мы представляем TimeRLM, формулу RLM для временных рядов, которые последовательно манипулируют сигналом с помощью кода и зрением. Мы далее представляем AnomalyXL, синтетическое долгоконтактное аномалии локализации с программно врожденными отклонениями, которые требуют точного поиска. Мы осуществляем пять различных категорий задач и два варианта: AnomalyXL-MCQ и AnomalyXL - Localization. TimeRLM опережает все оцениваемые TSLM и однопроходные исходные показатели по…
TimeRLM: Рекуривные языковые модели позволяют точно определить месторасположение аномалий в длительно-контекстных временных системах
arXiv: 2608.033991v2 Annuales Type: заменить резюме: " Точное локализация аномалий по длительному тексту временных рядов является важнейшей задачей в области мониторинга прикладных программ во всех областях клинической помощи, промышленных операций, финансовых услуг и материально-технического обеспечения, где краткие данные могут скрываться внутри длинного диапазона высокочастотных данных. В то же время последние контрольные показатели свидетельствуют о снижении эффективности поиска в длинных контекстах, зеркальном отражении режимов отказа в тексте, видении и аудио. В текстовой области Recursive Language Models (RLMs) могут восстановить большую часть этой потерянной работы, сохраняя контекст вне Большого языкового модели (LLM), что позволяет модели запрашивать его с помощью кода. Мы представляем TimeRLM, формулу RLM для временных рядов, которые последовательно манипулируют сигналом с помощью кода и зрением. Далее мы представляем AnomalyXL, синтетическое долгоконтактное аномалии локализации