論文の概要: A Survey of Reasoning and Agentic Systems in Time Series with Large Language Models

• arxiv url: http://arxiv.org/abs/2509.11575v1
• Date: Mon, 15 Sep 2025 04:39:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.149445
• Title: A Survey of Reasoning and Agentic Systems in Time Series with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた時系列における推論とエージェントシステムの検討
• Authors: Ching Chang, Yidan Shi, Defu Cao, Wei Yang, Jeehyun Hwang, Haixin Wang, Jiacheng Pang, Wei Wang, Yan Liu, Wen-Chih Peng, Tien-Fu Chen,
• Abstract要約: 時系列推論は時間を第一級軸として扱い、中間証拠を直接答えに組み込む。 本調査では,一段階における直接推論,明示的な中間体による線形連鎖推論,分岐構造推論という3つのファミリーによるトポロジの推論によって,問題を定義し,文献を整理する。
• 参考スコア（独自算出の注目度）: 22.683448537572897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series reasoning treats time as a first-class axis and incorporates intermediate evidence directly into the answer. This survey defines the problem and organizes the literature by reasoning topology with three families: direct reasoning in one step, linear chain reasoning with explicit intermediates, and branch-structured reasoning that explores, revises, and aggregates. The topology is crossed with the main objectives of the field, including traditional time series analysis, explanation and understanding, causal inference and decision making, and time series generation, while a compact tag set spans these axes and captures decomposition and verification, ensembling, tool use, knowledge access, multimodality, agent loops, and LLM alignment regimes. Methods and systems are reviewed across domains, showing what each topology enables and where it breaks down in faithfulness or robustness, along with curated datasets, benchmarks, and resources that support study and deployment (https://github.com/blacksnail789521/Time-Series-Reasoning-Survey). Evaluation practices that keep evidence visible and temporally aligned are highlighted, and guidance is distilled on matching topology to uncertainty, grounding with observable artifacts, planning for shift and streaming, and treating cost and latency as design budgets. We emphasize that reasoning structures must balance capacity for grounding and self-correction against computational cost and reproducibility, while future progress will likely depend on benchmarks that tie reasoning quality to utility and on closed-loop testbeds that trade off cost and risk under shift-aware, streaming, and long-horizon settings. Taken together, these directions mark a shift from narrow accuracy toward reliability at scale, enabling systems that not only analyze but also understand, explain, and act on dynamic worlds with traceable evidence and credible outcomes.
• Abstract（参考訳）: 時系列推論は時間を第一級軸として扱い、中間証拠を直接答えに組み込む。 この調査は問題を定義し、トポロジを1ステップでの直接推論、明示的な中間を持つ線形連鎖推論、探索、修正、集約の分岐構造推論という3つのファミリーで推論することで、文献を整理する。 トポロジは、伝統的な時系列分析、説明と理解、因果推論と意思決定、時系列生成を含む分野の主要な目的と交わされ、コンパクトなタグセットはこれらの軸にまたがり、分解と検証、アンサンブル、ツールの使用、知識アクセス、マルチモーダル、エージェントループ、LLMアライメントレシエーションをキャプチャする。 メソッドとシステムはドメイン間でレビューされ、各トポロジが何を可能にし、その信頼性や堅牢性をどこで分解するか、そして、学習とデプロイメントをサポートするリソース(https://github.com/blacksnail789521/Time-Series-Reasoning-Survey)とともにレビューされる。 証拠の可視化と時間的整合性を維持する評価プラクティスが強調され、トポロジと不確実性、観測可能なアーティファクトとの接地、シフトとストリーミングの計画、コストとレイテンシを設計予算として扱うためのガイダンスが抽出される。 推論構造は、計算コストと再現性に対してグラウンディングと自己補正の能力のバランスをとる必要があるが、将来の進歩は、推論品質を実用性に結びつけるベンチマークと、シフトアウェア、ストリーミング、ロングホライゾン設定の下でコストとリスクをトレードオフするクローズドループテストベッドに依存する可能性が高い。 まとめると、これらの方向は、狭義の正確さから、スケールでの信頼性への移行を意味し、分析だけでなく、トレース可能な証拠と信頼できる結果を持つ動的な世界に対しても、理解し、説明し、行動するシステムを可能にする。

関連論文リスト

• Reasoning in Computer Vision: Taxonomy, Models, Tasks, and Methodologies [0.0]
  本調査は,視覚的推論を5つの主要なタイプ(関係性,象徴性,時間性,因果性,共通性)に分類することを目的とする。 機能的正当性,構造的整合性,因果妥当性を評価し,その限界を一般化可能性,説明力の観点から批判的に分析する。
  論文  参考訳（メタデータ） (2025-08-14T10:53:35Z)
• Topology-Aware Conformal Prediction for Stream Networks [54.505880918607296]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)
• Path Signature Area-Based Causal Discovery in Coupled Time Series [0.0]
  本稿では,2変数間の符号付き領域の大きさの意義を解析するために,信頼度系列の応用を提案する。 このアプローチは、2つの時系列の間に存在する因果関係の信頼性を定義する新しい方法を提供する。
  論文  参考訳（メタデータ） (2021-10-23T19:57:22Z)
• Data Generating Process to Evaluate Causal Discovery Techniques for Time Series Data [1.5293427903448025]
  時系列因果発見手法の開発,評価,ベンチマークのためのフレームワークを提案する。 このフレームワークは、ベンチマークに"オーバーフィット"することなく、膨大なデータに対する新しいメソッドの微調整に使用できる。 このフレームワークを用いて, 時系列因果発見手法の評価を行い, 仮定が無効になった場合の性能が著しく低下することを示す。
  論文  参考訳（メタデータ） (2021-04-16T11:38:29Z)
• Uncertainty-Aware Deep Ensembles for Reliable and Explainable Predictions of Clinical Time Series [21.11327248500246]
  本稿では,深層学習に基づく時系列予測のための深層アンサンブル手法を提案する。 各モデルが生成する関連スコアに対して標準偏差をとることにより、関連スコアの不確実性の尺度を算出する。 以上の結果から,提案したアンサンブルは関連時間ステップの探索においてより正確であることが示唆された。
  論文  参考訳（メタデータ） (2020-10-16T10:32:06Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。