用大模型+图信号处理，实时修复带噪时空数据。
LLM Online Spatial-temporal Signal Reconstruction Under Noise
- 结合图信号处理与大模型，动态重建缺失时空信号。
- 在交通与气象数据上，高斯噪声下仍保持高精度。
- 适合需要实时修复复杂时空数据的场景。
本文提出一种名为 LLM-OSR（LLM Online Spatial-temporal Reconstruction）的框架，融合图信号处理（GSP）与大语言模型（LLMs），实现在线时空信号重建。该框架通过基于 GSP 的时空信号处理器增强图信号，并利用大模型根据时空模式预测缺失值。在交通与气象数据集上，于不同高斯噪声水平下评估性能。实验表明，在高斯噪声条件下，使用 GPT-4-o mini 的 LLM-OSR 具有高准确性和鲁棒性。论文还讨论了现有局限并展望未来研究方向，强调将 GSP 与 LLM 结合在时空预测任务中的潜力。
原文摘要 · Abstract (English)
This work introduces the LLM Online Spatial-temporal Reconstruction (LLM-OSR) framework, which integrates Graph Signal Processing (GSP) and Large Language Models (LLMs) for online spatial-temporal signal reconstruction. The LLM-OSR utilizes a GSP-based spatial-temporal signal handler to enhance graph signals and employs LLMs to predict missing values based on spatiotemporal patterns. The performance of LLM-OSR is evaluated on traffic and meteorological datasets under varying Gaussian noise levels. Experimental results demonstrate that utilizing GPT-4-o mini within the LLM-OSR is accurate and robust under Gaussian noise conditions. The limitations are discussed along with future research insights, emphasizing the potential of combining GSP techniques with LLMs for solving spatiotemporal prediction tasks.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。