Fugu-MT 論文翻訳(概要): TS-Debate: Multimodal Collaborative Debate for Zero-Shot Time Series Reasoning

論文の概要: TS-Debate: Multimodal Collaborative Debate for Zero-Shot Time Series Reasoning

arxiv url: http://arxiv.org/abs/2601.19151v1
Date: Tue, 27 Jan 2026 03:29:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-28 15:26:51.154725
Title: TS-Debate: Multimodal Collaborative Debate for Zero-Shot Time Series Reasoning
Title（参考訳）: TS-Debate:ゼロショット時系列推論のためのマルチモーダル協調議論
Authors: Patara Trirat, Jin Myung Kwak, Jay Heo, Heejun Lee, Sung Ju Hwang,
Abstract要約: 我々は、ゼロショット時系列推論のためのモダリティに特化して協調的なマルチエージェント討論フレームワークTS-Debateを提案する。 TS-Debateは、明示的なドメイン知識の推論に先行するテキストコンテキスト、視覚パターン、数値信号に専用の専門家エージェントを割り当てる。レビューエージェントは、軽量コード実行と数値的なルックアップをサポートする検証-衝突-校正機構を使用してエージェントのクレームを評価する。
参考スコア（独自算出の注目度）: 44.59910717749994
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent progress at the intersection of large language models (LLMs) and time series (TS) analysis has revealed both promise and fragility. While LLMs can reason over temporal structure given carefully engineered context, they often struggle with numeric fidelity, modality interference, and principled cross-modal integration. We present TS-Debate, a modality-specialized, collaborative multi-agent debate framework for zero-shot time series reasoning. TS-Debate assigns dedicated expert agents to textual context, visual patterns, and numerical signals, preceded by explicit domain knowledge elicitation, and coordinates their interaction via a structured debate protocol. Reviewer agents evaluate agent claims using a verification-conflict-calibration mechanism, supported by lightweight code execution and numerical lookup for programmatic verification. This architecture preserves modality fidelity, exposes conflicting evidence, and mitigates numeric hallucinations without task-specific fine-tuning. Across 20 tasks spanning three public benchmarks, TS-Debate achieves consistent and significant performance improvements over strong baselines, including standard multimodal debate in which all agents observe all inputs.
Abstract（参考訳）: 大規模言語モデル (LLM) と時系列解析 (TS) の交差における最近の進歩は, 将来性と脆弱性の両方を明らかにしている。 LLMは、慎重に設計された文脈で時間的構造を論じることができるが、数値的忠実さ、モダリティ干渉、原則的相互統合に苦慮することが多い。我々は、ゼロショット時系列推論のためのモダリティに特化して協調的なマルチエージェント討論フレームワークTS-Debateを提案する。 TS-Debateはテキストコンテキスト、視覚パターン、数値信号に専用の専門家エージェントを割り当て、ドメイン知識の明示的な推論に先行し、構造化された議論プロトコルを介してインタラクションを調整する。レビュアエージェントは、プログラム検証のための軽量コード実行と数値的なルックアップをサポートする検証-衝突-校正機構を用いてエージェントのクレームを評価する。このアーキテクチャは、モダリティの忠実さを保ち、矛盾する証拠を暴露し、タスク固有の微調整なしで数値幻覚を緩和する。 3つの公開ベンチマークにまたがる20のタスクにおいて、TS-Debateは、すべてのエージェントがすべての入力を観測する標準的なマルチモーダル議論を含む、強力なベースラインよりも一貫性があり、重要なパフォーマンス改善を実現している。

関連論文リスト

DynaDebate: Breaking Homogeneity in Multi-Agent Debate with Dynamic Path Generation [47.62978918069135]
DynaDebate (Dynamic Multi-Agent Debate) を導入し,3つのキーメカニズムによるマルチエージェント討論の有効性を高める。大規模な実験により、DynaDebateは既存の最先端のMADメソッドを超越して、様々なベンチマークで優れたパフォーマンスを実現している。
論文参考訳（メタデータ） (2026-01-09T12:01:33Z)
Thinking with Drafts: Speculative Temporal Reasoning for Efficient Long Video Understanding [56.7383554589569]
人間のような知性には長いビデオ理解が不可欠であり、時間的文脈を超越したコヒーレントな認識と推論を可能にする。強化学習に基づく投機的時間的推論フレームワークであるSpecTempを提案する。我々はSpecTempが競争精度を維持するだけでなく、既存の思考とフレームの手法と比較して推論を著しく加速することを示した。
論文参考訳（メタデータ） (2025-11-30T09:27:59Z)
Benefits and Limitations of Communication in Multi-Agent Reasoning [11.788489289062312]
マルチエージェントシステムの表現性を解析するための理論的枠組みを提案する。 i) タスクを正確に解くために必要なエージェントの数, (ii) エージェント間通信の量と構造, (iii) 達成可能なスピードアップを問題サイズとコンテキストスケールとして導出する。本研究は,コミュニケーションが有益である状況を特定し,エージェント数と帯域幅のトレードオフを明確化し,いずれのリソースにも制約がある場合の本質的な制約を明らかにする。
論文参考訳（メタデータ） (2025-10-14T20:04:27Z)
TS-Agent: A Time Series Reasoning Agent with Iterative Statistical Insight Gathering [16.95452463476229]
大規模言語モデル(LLM)のための時系列推論エージェントTS-Agentを提案する。時系列をテキストトークン、画像、埋め込みにマッピングする代わりに、我々のエージェントは原子演算子を介して生の数値列と相互作用する。実験の結果,TS-Agent は理解ベンチマークの最先端 LLM に匹敵する性能を達成できた。
論文参考訳（メタデータ） (2025-10-08T18:31:53Z)
MADIAVE: Multi-Agent Debate for Implicit Attribute Value Extraction [52.89860691282002]
インプシット属性値抽出(AVE)は、電子商取引における商品の正確な表現に不可欠である。マルチモーダル大言語モデル(MLLM)の進歩にもかかわらず、多次元データの複雑さのため暗黙のAVEは依然として困難である。我々は,複数のMLLMエージェントを用いて推論を反復的に洗練するマルチエージェント討論フレームワークであるtextscmodelnameを紹介する。
論文参考訳（メタデータ） (2025-10-07T06:27:42Z)
MV-Debate: Multi-view Agent Debate with Dynamic Reflection Gating for Multimodal Harmful Content Detection in Social Media [26.07883439550861]
MV-Debateは、マルチモード有害コンテンツ検出のための動的リフレクションゲーティングを備えたマルチビューエージェント討論フレームワークである。 MV-Debateは4つの相補的な議論エージェント、表面分析者、深い推論者、モダリティコントラスト、社会的文脈主義者を集め、多様な解釈的視点からコンテンツを分析する。
論文参考訳（メタデータ） (2025-08-07T16:38:25Z)
SWE-Debate: Competitive Multi-Agent Debate for Software Issue Resolution [29.035097855780858]
SWE-Debateは、多様な推論パスを促進し、より統合された課題ローカライゼーションを実現する、競争力のあるマルチエージェントの議論フレームワークである。特殊エージェント間の3ラウンドの議論を組織し、それぞれが断層伝播の痕跡に沿って明確な推論の視点を具現化している。 SWE-benchベンチマークの実験は、SWE-Debateがオープンソースのエージェントフレームワークで新しい最先端の結果を達成することを示している。
論文参考訳（メタデータ） (2025-07-31T08:54:46Z)
Cantor: Inspiring Multimodal Chain-of-Thought of MLLM [83.6663322930814]
視覚的コンテキスト獲得と論理的推論の集約は、視覚的推論タスクに取り組む上で重要であると我々は主張する。我々はCantorと呼ばれる革新的なマルチモーダルCoTフレームワークを提案し、その特徴は知覚決定アーキテクチャである。提案手法の有効性を実証し,マルチモーダルCoT性能の大幅な向上を示した。
論文参考訳（メタデータ） (2024-04-24T17:59:48Z)
Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
論文参考訳（メタデータ） (2021-05-17T22:02:24Z)

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。