TSRouter: Dynamic Modality-Model Selection for Time Series Reasoning

시계열 추론에서 LLM과 VLM의 상호 보완적 강점을 활용하기 위해 모달리티와 모델을 동시 선택하는 그래프 기반 라우터 TSRouter를 제안한다.

TSRouter는 시계열 추론에서 각 쿼리에 최적의 모달리티-모델 조합을 동적으로 선택하는 이질적 그래프 기반 라우팅 프레임워크이다. 태스크, 쿼리, 모달리티, 모델 노드로 구성된 그래프에서 GNN이 교차 타입 정보를 집계해 후보를 평가한다. 4가지 시계열 추론 태스크에서 기존 방법 대비 16~46% 상대 향상을 달성했으며, 학습되지 않은 새로운 모델과 태스크에 대해 zero-shot 일반화가 가능하다. 비용-성능 트레이드오프 조절도 지원한다.

핵심 요약

• LLM(수치 정확도)과 VLM(전역 패턴)의 상호 보완성을 활용한 최초의 모달리티+모델 공동 라우팅 프레임워크
• 이질적 그래프(task·query·modality·model) + GNN으로 복잡한 상호작용 모델링
• 4개 시계열 추론 태스크에서 16~46% 상대 향상 — 비용 인식 최적화로 Pareto frontier 구성
• 학습 데이터 10%만 사용해도 최고 baseline(전체 데이터)을 크게 능가하는 데이터 효율성
• GPT-5로 노드 프로파일링 → 사전학습 임베딩으로 초기화, 새 모델/태스크에 zero-shot 일반화
• 사용자 정의 α 파라미터로 성능-비용 트레이드오프 실시간 조절 가능

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.