論文の概要: TimeART: Towards Agentic Time Series Reasoning via Tool-Augmentation

• arxiv url: http://arxiv.org/abs/2601.13653v1
• Date: Tue, 20 Jan 2026 06:39:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.188337
• Title: TimeART: Towards Agentic Time Series Reasoning via Tool-Augmentation
• Title（参考訳）: TimeART: ツール拡張によるエージェント時系列推論を目指して
• Authors: Xingjian Wu, Junkai Lu, Zhengyu Li, Xiangfei Qiu, Jilin Hu, Chenjuan Guo, Christian S. Jensen, Bin Yang,
• Abstract要約: TimeARTは、強力なアウトオブザボックスツールの分析能力とLarge Language Models(LLM)の推論能力を融合したフレームワークである。 LLMをベースとしたTSRM(Time Series Reasoning Models)戦略ツールの使用法を教えるため,TimeToolBenchと呼ばれる100kの専門的軌道コーパスも収集した。 TSRMの一般化能力を高めるために,我々は,TSRMの早期経験と自己回帰から学ぶことによって,TSRMを向上する4段階のトレーニング戦略を考案した。
• 参考スコア（独自算出の注目度）: 27.695097439296948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series data widely exist in real-world cyber-physical systems. Though analyzing and interpreting them contributes to significant values, e.g, disaster prediction and financial risk control, current workflows mainly rely on human data scientists, which requires significant labor costs and lacks automation. To tackle this, we introduce TimeART, a framework fusing the analytical capability of strong out-of-the-box tools and the reasoning capability of Large Language Models (LLMs), which serves as a fully agentic data scientist for Time Series Question Answering (TSQA). To teach the LLM-based Time Series Reasoning Models (TSRMs) strategic tool-use, we also collect a 100k expert trajectory corpus called TimeToolBench. To enhance TSRMs' generalization capability, we then devise a four-stage training strategy, which boosts TSRMs through learning from their own early experiences and self-reflections. Experimentally, we train an 8B TSRM on TimeToolBench and equip it with the TimeART framework, and it achieves consistent state-of-the-art performance on multiple TSQA tasks, which pioneers a novel approach towards agentic time series reasoning.
• Abstract（参考訳）: 時系列データは現実世界のサイバー物理システムに広く存在する。 それらの分析と解釈は、災害予知や金融リスク管理といった重要な価値に寄与するが、現在のワークフローは主に人間のデータ科学者に依存しており、労働コストがかなり高く、自動化が欠如している。 そこで我々は,強力なアウトオブボックスツールの分析能力と大規模言語モデル(LLM)の推論能力を融合したフレームワークであるTimeARTを紹介し,時系列質問回答(TSQA)のための完全なエージェントデータサイエンティストとして機能する。 LLMをベースとしたTSRM(Time Series Reasoning Models)戦略ツールの使用法を教えるため,TimeToolBenchと呼ばれる100kの専門的軌道コーパスも収集した。 そして、TSRMの一般化能力を高めるために、4段階のトレーニング戦略を考案し、TSRMを自身の初期の経験や自己回帰から学習することで強化する。 実験では,TimeToolBench上で8BのTSRMをトレーニングし,TimeARTフレームワークに装備し,複数のTSQAタスク上で一貫した最先端性能を実現する。

関連論文リスト

• MindWatcher: Toward Smarter Multimodal Tool-Integrated Reasoning [55.221850286246]
  我々は、インターリーブド思考とマルチモーダル・チェーン・オブ・シークレット(CoT)推論を備えたツール統合推論エージェントであるMindWatcherを紹介する。 MindWatcherは、さまざまなツールの呼び出しと使用の調整を自律的に行うことができる。 車、動物、植物を含む8つのカテゴリをカバーする、大規模で高品質な局所画像検索データベースは、堅牢な物体認識モデルを提供する。
  論文  参考訳（メタデータ） (2025-12-29T12:16:12Z)
• PRInTS: Reward Modeling for Long-Horizon Information Seeking [74.14496236655911]
  PRInTS(PRInTS)は、二重機能で訓練された生成型PRMである。 PRInTSは,オープンソースモデルと特殊エージェントの情報検索能力を向上させる。
  論文  参考訳（メタデータ） (2025-11-24T17:09:43Z)
• TimeSeriesGym: A Scalable Benchmark for (Time Series) Machine Learning Engineering Agents [17.296425855109426]
  人工知能(AI)エージェントを評価するためのスケーラブルなベンチマークフレームワークであるTimeSeriesGymを紹介する。 TimeSeriesGymには、複数のドメインやタスクにまたがるさまざまなソースからの課題が含まれている。 提出ファイルやコード,モデルなど,複数の研究成果物に対する評価機構を実装した。
  論文  参考訳（メタデータ） (2025-05-19T16:11:23Z)
• A Time Series Multitask Framework Integrating a Large Language Model, Pre-Trained Time Series Model, and Knowledge Graph [1.3654846342364308]
  時系列分析は金融、交通、産業などの分野において重要である。 本稿では,時間的特徴をテキスト記述と統合した新しい時系列マルチタスクフレームワーク LTM を提案する。 ベンチマークデータセットの実験では、LTMが既存のメソッドよりも大幅に優れていることが示されている。
  論文  参考訳（メタデータ） (2025-03-10T11:25:01Z)
• TimeCAP: Learning to Contextualize, Augment, and Predict Time Series Events with Large Language Model Agents [52.13094810313054]
  TimeCAPは、時系列データのコンテキスト化ツールとしてLarge Language Models(LLM)を創造的に利用する時系列処理フレームワークである。 TimeCAPには2つの独立したLCMエージェントが組み込まれており、1つは時系列のコンテキストをキャプチャするテキスト要約を生成し、もう1つはより情報のある予測を行うためにこのリッチな要約を使用する。 実世界のデータセットによる実験結果から,TimeCAPは時系列イベント予測の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-17T04:17:27Z)
• Time Series Representation Models [2.724184832774005]
  時系列解析は、そのスパース特性、高次元性、一貫性のないデータ品質のため、依然として大きな課題である。 近年のトランス技術の発展により,予測や計算能力が向上している。 イントロスペクションに基づく時系列解析のための新しいアーキテクチャ概念を提案する。
  論文  参考訳（メタデータ） (2024-05-28T13:25:31Z)
• Position: What Can Large Language Models Tell Us about Time Series Analysis [69.70906014827547]
  現在の大規模言語モデル(LLM)は時系列解析に革命をもたらす可能性があると我々は主張する。 このような進歩は、時系列のモダリティスイッチングや質問応答など、幅広い可能性を解き放つ可能性がある。
  論文  参考訳（メタデータ） (2024-02-05T04:17:49Z)
• A Review of Open Source Software Tools for Time Series Analysis [0.0]
  本稿では、アーキテクチャを備えた典型的な時系列分析(TSA)フレームワークについて述べ、TSAフレームワークの主な特徴を列挙する。 本稿では,60の時系列解析ツール,32の予測モジュール,21のパッケージの異常検出について検討した。
  論文  参考訳（メタデータ） (2022-03-10T07:12:20Z)

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。