文字真的有帮助吗？发现并解决多模态时间序列预测中的文本崩溃

多模态时间序列预测将数值序列与领域相关的文本报告配对，有望将世界知识注入预测管道。然而，我们发现了现有框架中的一个关键故障模式，我们称之为文本崩溃：文本分支收敛到与内容无关的转换，无论输入描述如何，都会贡献可忽略不计的判别信号。我们认为，文本崩溃是时间序列预测中基本不对称的结果：数值输入与输出强自相关，使得数值主干本质上占主导地位，而文本分支尽管携带补充且通常是关键信息，但未得到充分利用，导致其系统性开发不足。为了解决这个问题，我们提出了 \textbf{REST-TS} （\textbf{R}esidual-\textbf{E}xclusive \textbf{S}supervision for \textbf{T}ext in \textbf{T}ime \textbf{S}eries），它将不对称性转化为设计原则：数值主干产生自己独立的数值预测，文本分支被专门监督来预测残差的结构化分量，预测间隙数字无法解释。由于没有任何数值途径可以减少这些损失，因此文本分支必须从输入描述中提取真实内容。经过对不同现实世界领域和骨干架构的评估，REST-TS 实现了最先进的性能，并始终表现出比现有框架更高的文本分支利用率，提供了强有力的经验证据，证明监督残差上的文本分支迫使它从输入中提取真实内容。