Resumen: Impulsados por las demandas cada vez más complejas y orientadas a la toma de decisiones del análisis de series de tiempo, presentamos la tarea de Razonamiento de series de tiempo semántico-condicional, que extiende el análisis de series de tiempo convencional más allá del modelado puramente numérico para incorporar comprensión contextual y semántica. Para mejorar aún más las capacidades de razonamiento del modo en problemas complejos de series de tiempo, proponemos un marco de aprendizaje por refuerzo de dos rondas: la primera ronda fortalece la percepción del modo de las primitivas temporales fundamentales, mientras que la segunda se centra en el razonamiento semántico condicionado. El modelo resultante, KairosVL, logra un rendimiento competitivo en tareas tanto sintéticas como del mundo real. Amplios experimentos y estudios de ablación demuestran que nuestro marco no solo mejora el rendimiento sino que también preserva la capacidad de razonamiento intrínseco y mejora significativamente la generalización a escenarios invisibles. En resumen, nuestro trabajo destaca el potencial de combinar el razonamiento semántico con el modelado temporal y proporciona un marco práctico para la inteligencia de series temporales del mundo real, que tiene una demanda urgente.
Publicado originalmente en export.arxiv.org el 24 de febrero de 2026.
Ver fuente original
