Fugu-MT 論文翻訳(概要): Empowering Time Series Forecasting with LLM-Agents

論文の概要: Empowering Time Series Forecasting with LLM-Agents

arxiv url: http://arxiv.org/abs/2508.04231v1
Date: Wed, 06 Aug 2025 09:14:08 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-07 20:09:22.64688
Title: Empowering Time Series Forecasting with LLM-Agents
Title（参考訳）: LLM-Agentsによる時系列予測の強化
Authors: Chin-Chia Michael Yeh, Vivian Lai, Uday Singh Saini, Xiran Fan, Yujie Fan, Junpeng Wang, Xin Dai, Yan Zheng,
Abstract要約: 時系列データ中心エージェントDCATSを提案する。大規模交通量予測データセットを用いて,4つの時系列予測モデルを用いてDCATSを評価する。
参考スコア（独自算出の注目度）: 23.937463131291974
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large Language Model (LLM) powered agents have emerged as effective planners for Automated Machine Learning (AutoML) systems. While most existing AutoML approaches focus on automating feature engineering and model architecture search, recent studies in time series forecasting suggest that lightweight models can often achieve state-of-the-art performance. This observation led us to explore improving data quality, rather than model architecture, as a potentially fruitful direction for AutoML on time series data. We propose DCATS, a Data-Centric Agent for Time Series. DCATS leverages metadata accompanying time series to clean data while optimizing forecasting performance. We evaluated DCATS using four time series forecasting models on a large-scale traffic volume forecasting dataset. Results demonstrate that DCATS achieves an average 6% error reduction across all tested models and time horizons, highlighting the potential of data-centric approaches in AutoML for time series forecasting.
Abstract（参考訳）: 大規模言語モデル(LLM)によるエージェントは、自動機械学習(Automated Machine Learning, AutoML)システムのための効果的なプランナーとして登場した。既存のAutoMLアプローチのほとんどは、機能エンジニアリングとモデルアーキテクチャ検索の自動化に重点を置いているが、最近の時系列予測の研究は、軽量モデルが最先端のパフォーマンスを達成できることを示唆している。この観察結果から,時系列データ上でのAutoMLの有益な方向性として,モデルアーキテクチャよりもデータ品質の向上を検討することができた。時系列データ中心エージェントDCATSを提案する。 DCATSは、時系列に付随するメタデータを活用して、予測性能を最適化する。大規模交通量予測データセットを用いて,4つの時系列予測モデルを用いてDCATSを評価した。結果,DCATSは全試験モデルと時間水平線で平均6%の誤差低減を実現し,時系列予測のためのAutoMLにおけるデータ中心アプローチの可能性を強調した。

関連論文リスト

Towards Foundation Auto-Encoders for Time-Series Anomaly Detection [2.019925198501543]
FAEは時系列データにおける異常検出のための基礎生成AIモデルである。各種ドメインから異なる多次元時系列データセットに予備的な結果を示す。
論文参考訳（メタデータ） (2025-07-02T16:39:36Z)
Efficient Model Selection for Time Series Forecasting via LLMs [52.31535714387368]
本稿では,Large Language Models (LLM) をモデル選択の軽量な代替手段として活用することを提案する。提案手法は, LLMの固有知識と推論能力を活用することで, 明示的な性能行列の必要性を解消する。
論文参考訳（メタデータ） (2025-04-02T20:33:27Z)
LETS-C: Leveraging Text Embedding for Time Series Classification [15.520883566827608]
本稿では,時系列領域における言語モデリングの成功を活用するための代替手法を提案する。テキスト埋め込みモデルを用いて時系列を埋め込み、その埋め込みを畳み込みニューラルネットワーク(CNN)と多層パーセプトロン(MLP)からなる単純な分類ヘッドと組み合わせる。本研究は,テキスト埋め込みモデルを用いて時系列データをエンコードし,かつ,単純かつ効果的に分類し,高性能な時系列分類を実現する上で有望な方向性を示すことを示唆する。
論文参考訳（メタデータ） (2024-07-09T04:07:57Z)
AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
論文参考訳（メタデータ） (2024-03-26T04:27:56Z)
Chronos: Learning the Language of Time Series [79.38691251254173]
Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
論文参考訳（メタデータ） (2024-03-12T16:53:54Z)
Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
論文参考訳（メタデータ） (2024-02-04T06:55:55Z)
auto-sktime: Automated Time Series Forecasting [18.640815949661903]
本稿では,自動時系列予測のための新しいフレームワークであるauto-sktimeを紹介する。提案するフレームワークは、自動機械学習(AutoML)技術を使用して、予測パイプライン全体の生成を自動化する。 64種類の実世界の時系列データセットに対する実験結果は、フレームワークの有効性と効率を実証している。
論文参考訳（メタデータ） (2023-12-13T21:34:30Z)
Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
時系列予測は多くの実世界の力学系において重要な意味を持つ。時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。 Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
論文参考訳（メタデータ） (2023-10-03T01:31:25Z)
AutoGluon-TimeSeries: AutoML for Probabilistic Time Series Forecasting [80.14147131520556]
AutoGluon-TimeSeriesは、確率的時系列予測のためのオープンソースのAutoMLライブラリである。 3行のPythonコードで正確なポイントと量子予測を生成する。
論文参考訳（メタデータ） (2023-08-10T13:28:59Z)
TimeAutoML: Autonomous Representation Learning for Multivariate Irregularly Sampled Time Series [27.0506649441212]
本稿では,不規則なサンプリングレートと可変長を持つ多変量時系列(TimeAutoML)の自律表現学習手法を提案する。実世界のデータセットに関する大規模な実証研究は、提案されたTimeAutoMLが、様々なタスクにおける競合するアプローチを大きなマージンで上回ることを示した。
論文参考訳（メタデータ） (2020-10-04T15:01:46Z)
Automatic deep learning for trend prediction in time series data [0.0]
時系列データのトレンドを予測するためにディープニューラルネットワーク(DNN)アルゴリズムが検討されている。多くの実世界のアプリケーションでは、時系列データは動的システムから取得される。モデル開発プロセスを自動化するために,最新のAutoMLツールを効果的に利用する方法を示す。
論文参考訳（メタデータ） (2020-09-17T19:47:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。