大模型时序应用——基于对比学习的时序数据embedding_用对比学习的方式训练时序数据

本文是由北京大学和阿里联合发布的大模型应用研究论文，总结了使用今天的语言模型（LLM）完成时间序列（TS）任务的两种策略，并设计了一种适合于LLM的TS嵌入方法——TEST——来激活LLM对TS数据的能力，在llm对TS分类和预测任务中达到了接近SOTA的能力，通过将LLM作为模式机器，让LLM可以在不影响语言能力的情况下处理TS数据。

TEST: Text Prototype Aligned Embedding to Activate LLM’s Ability for Time Series

Chenxi Sun, Yaliang Li, Hongyan Li, Shenda Hong(2023, August).

Peking University, Alibaba Group

1. 背景和问题

将时间序列（Time Series, TS）与LLM融合的方式有两条路线：

（1）LLM-for-TS：针对TS数据，从头开始设计并预训练一个基本的大型模型，然后为各种下游任务相应地微调模型；

（2）TS-for-LLM：基于现有的LLM，使它们能够处理TS数据和任务。不是创建一个新的LLM，而是设计一些机制来为LLM定制TS。

第一种方法是最基本的解决方案，因为预训练是向模型灌输知识的关键步骤。而第二种方法实际上很难超越模型的原始能力。囿于如下三个原因，本论文仍然关注第二种方法：

1. 数据：TS通常为专业数据，难以大量获取；

2. 模型：LLM-for-TS专注于垂直行业，跨领域需要重新建立，而TS-for-LLM可以插件化，几乎不需要训练，更加通用和方便；

3. 用途：LLM-for-TS适合涉及专家的情况，TS-for-LLM保持了LLM的文本能力，同时提供丰富的补充语义，易于访问和用户友好。

基于预训练的LLM，如果将TS视为文本数据，可能的形式是：

[Q] 通过以下平均动脉压力序列（单位：毫米汞柱）判断患者是否患有败血症：88、95、78、65、52、30。

[A] 是的

然而，TS通常是多变量的，而文本是单变量的。处理单变量文本的LLM会将多变量TS转化为多个单变量序列并逐一输入它们。这样有三个缺点：

1. 不同的prompts、顺序和连接语句会产生不同的结果；

2. 长输入序列可能使LLM效率低下，难以记住前一个单变量TS；

3. TS中的多变量依赖性的关键方面将被忽略。

于是，本论文对TS进行了token化，设计了一个嵌入TS token的模型，并替换了LLM的嵌入层。核心就是创建能够被LLM理解的嵌入。

SOTA方法通过图像的文本描述来对齐文本嵌入和图像嵌入。但是TS缺乏视觉线索，并且存在标注瓶颈，只有少量TS，如ECG，适合转化为文本描述。自监督对比学习可以利用固有信息设计pretext任务，而不是依赖预先定义的先验知识，从而避免标注瓶颈。但是无约束对比学习生成的表示向量很可能与LLM的认知嵌入空间有很大的偏离。

本文提出Text embedding space of LLM (TEST)方法，在对比学习基础上，使用以正交文本嵌入向量为原型约束TS的嵌入空间，并通过识别特征原型来突出模式，激活LLM的模式机能力。

2. 方法介绍

Text embedding space of LLM (TEST)总共分为两步：

（1）将TS token化，并训练编码器一个encoder，用对比学习表征TS tokens；

（2）创建prompts，使LLM对表征更开放，并实现TS任务。

2.1 TS Token增强和编码

1. tokenize和embedding

Token化：

一个多变量时间序列有D个变量和T个时间点；

被分割函数Fs: x →s分割成 K个不重叠的子序列组成的列表;

每一段长度是随机的;

s 为时间序列x的token列表;

Fs 通常是滑动窗口;

使用随机的长度分割TS，得到许多标记 s.

Encoding:

每个token 都可以通过一个嵌入函数 嵌入到一个M维的表示空间中;

.

1. 构造对比学习正负样本

· 定义一个TS标记 s 作为锚点实例；

· 正样本s+，定义两个获取来源：

（1）重叠实例：使用与 s 有重叠样本的实例

（2）增强实例：——对原序列加噪声和缩放，——对序列进行随机分割并打乱；

· 负样本：与s不具有重叠样本的实例；

· token表征：利用映射函数，将每个token映射为M维的表征

对于获得的token，首先通过目标函数来保证e能够充分表征原始序列信息，其中是decoder，将embedding还原成token。

2.2 Instance-wise对比学习

对于构造的正负实例，保证目标anchor instance 与其对应的正token instance 尽可能相似，与负 token instance 差异尽可能大。基于实例的对比损失如下：

然而，instance-wise对比学习倾向于将没有重叠样本，但位置相近且语义相似的样本视为负样本。于是本文引入feature-wise对比学习，关注不同列所包含的语义信息。

2.3 Feature-wise对比学习

Figure 1中，特征矩阵由一个minibatch中的实例表征后的向量组成，每一行是每个实例的embedding，因此可以将行视为公式（1）中使用的实例的软标签，每一列可以进一步视为聚类表示，但基于聚类的方法需要先验知识确认簇类数量，并不适合本文的无监督场景，所以本文将列视为特征的软标签，并对相似特征的组进行区分。

其中,

, .

weak+和strong+都是m+的一部分。

上述目标函数保证对于每个feature级别，正样本间尽可能相似，负样本间差异尽可能大。但是这样容易导致特征表示收缩到一个较小的空间，因此目标函数的最后一项最大化不同特征间差异。

2.4 Text-prototype-aligned对比学习

为了让LLM更好地理解构建的TS-embedding，本文设计了text-prototype-aligned contrast learning，将其与文本表示空间进行对齐。目前预训练的语言模型已经有了自己的 text token embedding， 例如，GPT-2 将词汇表中的文本token嵌入到维度为 768、1024 和 1280 的表示空间中。

本文强制地将时间序列标记 e 与文本标记 tp 进行对齐。比如，虽然TS-embedding可能缺少对应相关的文本表述，但是可以拉近其与例如数值、形状和频率等描述文本的相似度。通过这种形式的对齐，TS token 就有可能获得表征诸如时间序列大、小、上升、下降、稳定、波动等丰富信息的能力。

然而在实际情况中，因为无法提供监督标签或者真实数据作为基准，上述文本时序对齐的结果很可能无法完全符合现实。例如，具有上升趋势的子序列的嵌入可能非常接近下降文本的嵌入，甚至可能是不描述趋势的文本的嵌入。但对本文来说，语义是否可以被人类理解并不重要。

为了更好地匹配TS-embedding和文本token，文章设计了如下的对比损失函数

其中第一项text alignment，约束向量的相似性（最大化TS-embedding 与text embedding之间的余弦相似性）；第二项text contrast，使用文本原型作为坐标轴将TS嵌入映射到相应的位置，从而保证相似的实例在文本坐标轴中有着类似的表示；此外，需要保证两个空间大小类似。

2.5 可学习的Prompt Embedding：soft prompt

本文进一步训练了针对于时序数据的soft prompt，使得语言模型能够识别到不同序列的模式，从而实现时间序列任务。这些soft prompt是针对特定任务的embedding，通过LLM输出和任务ground truth之间的loss进行学习，可以从均匀分布中随机初始化，或从下游任务标签的文本嵌入中获取初始值、从词汇表中最常见的词汇中获取初始值等。

获取prompt的目标函数如下：

有监督微调方法能有效提高下游TS任务的准确性，但训练成本高昂，同时无法保证微调后的语言模型能够有效理解TS-embedding中的语义信息。所以本文放弃了有监督微调而采用了训练soft prompt的方式，并且证明了经过训练soft prompt能够达到有监督微调相似的效果。

Figure 2展示了利用LLM推断TS的过程。在该框架中，文本数据被输入到LLM的嵌入层，而prompts和TS embeddings则跳过这一层。

TEST的核心是训练一个编码器和一个soft prompt 。是通过对比学习来训练的，它通过投射特征的对比和文本原型对齐特征的对比来进行自监督。针对预测任务训练。由LLM的输出进行训练，其中它由类标签或真值进行监督。对于分类任务，LLM的head 需要训练。对于预测任务，需要进行微调。

对于下游任务，TS分类任务需要在LLM fc的顶部增加一个头部，如在NLP中实现情感分类任务;TS预测任务需要一个与编码器一起训练的解码器fd。

3. 实验和结果

本文在UCR, UEA和TSER数据集上实现TS分类和预测任务，以评估TEST和其他基线。

每个encoder和soft prompt使用Adam优化器借助CUDA 11.3在10个NVIDIA Tesla V100-SXM2 GPU上训练。使用到的LLM有：

3.1 分类任务

从UCR中得到128种不同的单变量TS数据集，从UEA中得到30种不同的多变量TS数据集。将本文的方法与使用或不使用prompts的LLM QA方法进行比较。TS分类任务baselines为DWT, DWTD。两个QA templates：

1. [Q] Classify the given [domain] sequence as either [class label] or [class label]: [numerical sequence]. [A];

2. [Q] Classify the sequence with average of [numerical value], variance of [numerical value], and sampling rate of [numerical value] as either [class label] or [class label]. [A].

本文不会与其他设计良好的基于深度学习的方法进行比较。因为本文的目标不是让LLM成为一个专门针对TS的模型，而是保持其原有的语言能力，同时提高其在TS任务上的表现，从以前几乎不可能达到可接受的基线。

TEST使LLM的分类准确率显著提高。TEST使大多数llm与基线相当。模型的结构和大小会对结果产生影响。分类精度随着模型尺寸的增大而增大。

消融实验

1. text prototypes文本原型

   

   不同的文本原型将导致不同的结果。本文设置了三组文本原型:1)文本值、形状和频率嵌入的3组文本原型;2)基于主成分分析的粗正交嵌入自适应文本原型。3) 10个自适应文本原型。如Figure 4顶部所示，选择一个更准确地代表LLM的整个文本嵌入空间的原型组可以提高整体分类性能。

2. prompts

对比可训练的soft prompts和hard prompt: Classify the given [domain] sequence as either [class label] or [class label]: [TS embedding].如图Figure 4 中部所示，它们的准确率相差至少10%。

对比不同初始化：1)均匀分布随机初始化;2)从分类给定序列的任务描述tokens embeddings进行初始化。如图Figure 4 中部所示，非随机初始化的性能优于随机初始化。

对比prompts长度，如图Figure 4 下部所示，当模型达到一定规模时，prompts长度为1也可以获得良好的效果，prompts长度为20也可以获得优异的效果。

3.2 案例研究

使用最近邻方法在冻结的LLM的词嵌入空间中找到一个TS标记匹配的文本。

大多数单词都是关于情感的形容词和名词。通过提示，模型将把TS分类任务视为一个情感分类任务。

3.3 预测任务

两个QA templates：

1. [Q] Forecast the next value of the given [domain] sequence: [numerical sequence]. [A];

2. [Q] Forecast the next value of sequence with average of [numerical value], variance of [numerical value], and sampling rate of [numerical value]. [A].

TEST使LLM的预测精度显著提高，与基线相当。原有LLM的QA模式无法实现预测任务，特别是如果TS数据被描述为均值、频次等(QA2)，分类任务可能部分完成，但预测任务根本无法完成。

4. 结论和展望

TS-for-LLM的本质是:时间序列→tokens→TS embeddings↔模式文本/词嵌入。

其核心是将TS转换为llm可理解的模式序列。与这个序列相对应的文本的语义可能会让人类感到困惑，但它对LLM来说是有意义的。在本文的方法中，影响任务有效性的主要因素是LLM的大小和类型、文本原型的选择和prompts的设计。

模型类型的影响与下游任务有关，其中双向结构有利于分类，生成的结构有利于预测。更大的模型将使结果更准确。

TS-for-LLM可能不如训练面向任务的小型模型那么高效和准确，但它可以丰富大型模型的能力，并从其他角度探索其机制。TS的抽象意义使得传统的基于对齐的多模态方法难以应用。本文的强制对齐操作具有启发意义。

在当前将大模型技术应用于时序场景的相关研究中，利用大量时序数据从头训练领域化大模型的研究相对较少，直接利用预训练的大语言模型能力执行时序任务的研究要更加主流。本文对这两种技术路线进行了总结和利弊分析，也反映出当前大模型能力在时序领域迁移应用所面临的机遇与挑战。当有效的涌现在时序领域明确出现，相关行业也将加速面临技术迭代。