ZARA：通过知识和检索驱动的LLM代理进行零样本运动时间序列分析

运动传感器时间序列是人类活动识别（HAR）的核心，在健康、体育和智能设备中都有应用。然而，现有方法针对固定活动集进行训练，并且当出现新的行为或传感器设置时需要昂贵的再训练。最近尝试使用大型语言模型 (LLM) 进行 HAR（通常通过将信号转换为文本或图像）存在准确性有限和缺乏可验证解释性的问题。我们提出了 ZARA，这是第一个直接从原始运动时间序列进行零样本、可解释 HAR 的基于代理的框架。ZARA 集成了一个自动导出的成对特征知识库，该知识库捕获每个活动对的判别统计数据，一个多传感器检索模块，用于浮现相关证据，以及一个分层代理管道，指导 LLM 迭代选择特征，利用这些证据，并生成活动预测和自然语言解释。ZARA 实现了灵活且可解释的 HAR，无需任何微调或特定任务分类器。在 8 个 HAR 基准上进行的广泛实验表明，ZARA 实现了 SOTA 零样本性能，提供了清晰的推理，同时在宏 F1 中超越最强基线 2.53 倍。消融研究进一步证实了每个模块的必要性，标志着 ZARA 是迈向值得信赖、即插即用运动时间序列分析的有希望的一步。我们的代码可在 https://github.com/zechenli03/ZARA 获取。