融合 LLM 的贝叶斯状态空间模型：多模态时间序列预测

基于摘要分析。本文研究结构化时间序列与非结构化文本的联合预测，提出 LLM-integrated Bayesian State Space Model（LBS），通过共享潜在状态连接两类观测，同时生成数值预测与文本预测，并提供不确定性量化。 核心机制包含两个组件：状态空间模型（SSM）主干描述潜在状态的时间动态，数值与文本观测均由这些状态生成；预训练 LLM 经适配后，将输入文本编码为用于后验状态估计的信息，并解码与潜在轨迹一致的文本预测。作者称，该设计支持灵活的历史窗口与预测窗口，并借助 SSM 对动态系统的归纳偏置改善时间泛化。具体状态转移与观测分布、LLM 适配方式、训练目标、后验推断和不确定性校准方法尚未验证。 作者报告，在 TimeText Corpus benchmark 上，LBS 相比此前最佳方法提升 13.20%，并能提供可读的文本摘要；摘要未说明该提升对应的指标、计算口径、数据划分或对照方法，因此不能将其解读为 Accuracy 提升或百分点差异。作者声称这是首次统一 LLM 与 SSM 进行数值和文本联合预测，该优先性尚未独立核实。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 时间序列具有可对齐的任务说明、事件记录或其他文本上下文，共享潜在状态机制可能用于检验文本是否能辅助神经信号预测；这不是已证实的 BCI 解码效果。其依赖数值与文本的时间对应关系及可用监督，可复用概率状态估计框架，但需改造 EEG 观测模型、文本对齐与输出任务。低信噪比、跨被试差异、通道配置变化和小数据条件可能使模型偏向文本先验而忽略信号。一个可检验的小实验是：在固定跨被试划分下，比较纯数值 SSM、加入真实对齐文本的 LBS 和加入打乱文本的 LBS，核对预测误差及不确定性校准是否改善。已有 EEG 相关工作尚未检索确认。