为VLM赋能少样本多模态时序分类的定制智能体推理

在本文中，我们提出了第一个 VL$\underline{\textbf{M}}$ $\underline{\textbf{a}}$gentic $\underline{\textbf{r}}$少数-$\underline{\textbf{s}}$hot 多模态 $\underline{\textbf{T}}$ime $\underline{\textbf{S}}$eries 的推理框架$\underline{\textbf{C}}$分类（$\textbf{MarsTSC}$），它引入了一个自我进化的知识库，作为通过反射代理推理迭代完善的动态上下文。该框架包含三个协作角色：i）生成器通过推理进行可靠的分类； ii) Reflector 诊断推理错误的根本原因，以产生针对 Generator 忽略的时间特征的判别性见解； iii) 修改者将经过验证的更新应用于知识库以防止上下文崩溃。我们进一步引入了测试时更新策略，以实现谨慎、持续的知识库细化，以减轻少数样本偏差和分布偏移。跨 12 个主流时间序列基准的广泛实验表明，$\textbf{MarsTSC}$ 在 6 个 VLM 主干上提供了实质性且一致的性能增益，在少数样本条件下优于经典和基于基础模型的时间序列基线，同时产生可解释的基本原理，将每个分类决策建立在人类可读的特征证据中。