論文の概要: SEA-TS: Self-Evolving Agent for Autonomous Code Generation of Time Series Forecasting Algorithms

• arxiv url: http://arxiv.org/abs/2603.04873v1
• Date: Thu, 05 Mar 2026 07:02:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.106457
• Title: SEA-TS: Self-Evolving Agent for Autonomous Code Generation of Time Series Forecasting Algorithms
• Title（参考訳）: SEA-TS:時系列予測アルゴリズムの自動コード生成のための自己進化エージェント
• Authors: Longkun Xu, Xiaochun Zhang, Qiantu Tuo, Rui Li,
• Abstract要約: Self-Evolving Agent for Time Series Algorithms (SEA-TS)は、予測コードを自動生成、検証、最適化するフレームワークである。 筆者らのフレームワークでは,(1)固定報酬を正規化された優位点に置き換えたMA-MCTS(Metric-Advantage Monte Carlo Tree Search),(2)各実行済みソリューションが自動レビューを行い,修正パターンをエンコードし,類似エラーの再発を防止した即時更新を行うコードレビュー,(3)グローバルステアブル推論(Global Steerable Reasoning)という3つの重要なイノベーションを紹介した。
• 参考スコア（独自算出の注目度）: 3.0039964580683374
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate time series forecasting underpins decision-making across domains, yet conventional ML development suffers from data scarcity in new deployments, poor adaptability under distribution shift, and diminishing returns from manual iteration. We propose Self-Evolving Agent for Time Series Algorithms (SEA-TS), a framework that autonomously generates, validates, and optimizes forecasting code via an iterative self-evolution loop. Our framework introduces three key innovations: (1) Metric-Advantage Monte Carlo Tree Search (MA-MCTS), which replaces fixed rewards with a normalized advantage score for discriminative search guidance; (2) Code Review with running prompt refinement, where each executed solution undergoes automated review followed by prompt updates that encode corrective patterns, preventing recurrence of similar errors; and (3) Global Steerable Reasoning, which compares each node against global best and worst solutions, enabling cross-trajectory knowledge transfer. We adopt a MAP-Elites archive for architectural diversity. On the public Solar-Energy benchmark, SEA-TS generated code achieves a 40% MAE reduction relative to TimeMixer, surpassing state-of-the-art methods. On proprietary datasets, SEA-TS generated code reduces WAPE by 8.6% on solar PV forecasting and 7.7% on residential load forecasting compared to human-engineered baselines, and achieves 26.17% MAPE on load forecasting versus 29.34% by TimeMixer. Notably, the evolved models discover novel architectural patterns--including physics-informed monotonic decay heads encoding solar irradiance constraints, per-station learned diurnal cycle profiles, and learnable hourly bias correction--demonstrating that autonomous ML engineering can generate genuinely novel algorithmic ideas beyond manual design.
• Abstract（参考訳）: 正確な時系列予測は、ドメイン間の意思決定を支えるが、従来のML開発は、新しいデプロイメントにおけるデータの不足、分散シフトによる適応性の低下、手動のイテレーションからのリターンの低下に悩まされている。 本稿では,反復的な自己進化ループを通じて予測コードを自動生成し,検証し,最適化するフレームワークであるSelf-Evolving Agent for Time Series Algorithms (SEA-TS)を提案する。 筆者らのフレームワークでは,(1) 固定報酬を正規化された優位点に置き換えたMA-MCTS(Metric-Advantage Monte Carlo Tree Search),(2) 即時改善によるコードレビュー,(2) 各実行済みソリューションの自動レビュー, 続いて, 修正パターンのエンコードによる更新, 類似エラーの再発防止, (3) グローバルステアブル推論(Global Steerable Reasoning) の3つの重要なイノベーションを紹介した。 我々は MAP-Elites アーカイブをアーキテクチャの多様性のために採用する。 公的なソーラーエネルギーのベンチマークでは、SEA-TS生成コードはTimeMixerと比較して40%のMAE削減を実現し、最先端の手法を上回っている。 プロプライエタリなデータセットでは、SEA-TSが生成したコードは、ソーラーPV予測の8.6%、住宅負荷予測の7.7%を削減し、負荷予測の26.17%をTimeMixerが29.34%とした。 特に、進化したモデルでは、太陽の照度制約を符号化する物理インフォームドモノトニック崩壊ヘッド、ステーションごとの学習日周期プロファイル、学習可能な時間偏差補正など、新しいアーキテクチャパターンが発見されている。

関連論文リスト

• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Learning from Yesterday's Error: An Efficient Online Learning Method for Traffic Demand Prediction [6.104967994062357]
  FORESEE(Forecasting Online with Residual Smoothing and Ensemble Experts)は、正確で堅牢で効率的なオンライン適応フレームワークである。 これは、昨日の予測エラーを使用して、各地域の今日の予測を補正する。 バックボーンモデルを用いた7つの実世界のデータセットの実験では、ForESEEは予測精度を一貫して改善し、分散シフトが最小でもロバスト性を維持する。
  論文  参考訳（メタデータ） (2026-02-25T10:19:39Z)
• Prism: Efficient Test-Time Scaling via Hierarchical Search and Self-Verification for Discrete Diffusion Language Models [96.0074341403456]
  LLM推論を改善するための実用的な方法として、推論時計算が再導入されている。 テスト時間スケーリング(TTS)アルゴリズムの多くは、自動回帰デコーディングに依存している。 そこで我々は,dLLM のための効率的な TTS フレームワーク Prism を提案する。
  論文  参考訳（メタデータ） (2026-02-02T09:14:51Z)
• ROAD: Reflective Optimization via Automated Debugging for Zero-Shot Agent Alignment [1.6968020497268546]
  ROADは、最適化を検索ではなく動的デバッグ調査として扱う新しいフレームワークである。 道路はサンプリング効率が高く、成功率は5.6%、検索精度は3.8%向上している。 これらの結果は、ヒューマンエンジニアリングの失敗分析とパッチングのループを模倣することで、リソース集約的なトレーニングに代わる、実行可能なデータ効率の代替が可能になることを示唆している。
  論文  参考訳（メタデータ） (2025-12-30T07:31:34Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Generalized Linear Bandits: Almost Optimal Regret with One-Pass Update [70.38810219913593]
  非線形リンク関数を組み込んで古典線形モデルを拡張したコンテキスト型多武装バンディットフレームワークである一般化線形バンディット問題(GLB)について検討する。 GLBは現実世界のシナリオに広く適用できるが、その非線形性は計算効率と統計効率の両方を達成する上で大きな課題をもたらす。 本稿では,$mathcalO(1)$時間と1ラウンドあたりの空間複雑度をほぼ最適に再現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-16T02:24:21Z)
• Enhanced accuracy through ensembling of randomly initialized auto-regressive models for time-dependent PDEs [0.0]
  機械学習モデルによる自己回帰推論は、連続した予測よりもエラーの蓄積に悩まされ、長期的な精度が制限される。 この課題に対処するために,複数のMLサロゲートモデルを並列にトレーニングし,推論中に集約するディープアンサンブルフレームワークを提案する。 我々はPDEを駆動する3つの力学系 - 不均一なミクロ組織における応力の進化、グレイ・スコット反応拡散、惑星規模の浅層水系 - の枠組みを検証した。
  論文  参考訳（メタデータ） (2025-07-05T02:25:12Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• PearSAN: A Machine Learning Method for Inverse Design using Pearson Correlated Surrogate Annealing [66.27103948750306]
  PearSANは、大きな設計空間を持つ逆設計問題に適用可能な機械学習支援最適化アルゴリズムである。 ピアソン相関代理モデルを用いて、真の設計計量のメリットの図形を予測する。 最先端の最大設計効率は97%で、少なくとも以前の方法よりも桁違いに高速である。
  論文  参考訳（メタデータ） (2024-12-26T17:02:19Z)
• Comparative Evaluation of Metaheuristic Algorithms for Hyperparameter Selection in Short-Term Weather Forecasting [0.0]
  本稿では,遺伝的アルゴリズム (GA), 微分進化 (DE), 粒子群最適化 (PSO) のメタヒューリスティックアルゴリズムの適用について検討する。 平均二乗誤差(MSE)や平均絶対パーセンテージ誤差(MAPE)といった指標に基づいて天気予報の性能を評価する。
  論文  参考訳（メタデータ） (2023-09-05T22:13:35Z)
• AER: Auto-Encoder with Regression for Time Series Anomaly Detection [12.418290128163882]
  時系列データの異常検出は、様々な産業領域でますます一般的になっている。 最近の教師なし機械学習手法は、この問題に対処する上で顕著な進歩を遂げている。 本稿では,バニラオートエンコーダとLSTM回帰器を組み合わせたジョイントモデルであるAER(Auto-encoder with Regression)を提案する。
  論文  参考訳（メタデータ） (2022-12-27T17:22:21Z)

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。