Markovian Linguistic-Temporal Bridge：利用 LLM 解锁时间序列预测潜力

MGSAA 框架将 LLM 中的潜在语言演化模式蒸馏为马尔可夫状态转移图，并作为结构先验应用于时间序列预测。 在时间序列领域中，该方法通过状态约束交叉注意力将时间序列 patch 解码为潜在状态，实现语言与时序域的全局结构同构，从而重新激活 LLM 的推理能力。 在多个基准测试中，MGSAA 实现了最先进（SOTA）的性能，为 LLM 在跨模态对齐中应用于时间序列预测提供了创新解决方案。