論文の概要: Optimizing Multi-Agent Weather Captioning via Text Gradient Descent: A Training-Free Approach with Consensus-Aware Gradient Fusion

• arxiv url: http://arxiv.org/abs/2603.21673v1
• Date: Mon, 23 Mar 2026 07:55:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.552555
• Title: Optimizing Multi-Agent Weather Captioning via Text Gradient Descent: A Training-Free Approach with Consensus-Aware Gradient Fusion
• Title（参考訳）: テキスト・グラディエント・ダイスによるマルチエージェント・ウェザーキャプションの最適化:コンセンサス・アウェア・グラディエント・フュージョンによるトレーニングフリーアプローチ
• Authors: Shixu Liu,
• Abstract要約: We introduced WeatherTGD, a training-free multi-agent framework that repreprets collaborative excuse refinement through the Lens of Text Gradient Descent (TGD)。 本システムでは,気象時系列観測からドメイン固有のテキスト勾配を生成する,統計分析器,物理解釈器,気象専門家の3つの特殊なLCMエージェントを配置する。 実世界の気象データを用いた実験により、LLMに基づく評価と人間の専門家による評価の両方において、WeatherTGDが大幅な改善を達成していることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating interpretable natural language captions from weather time series data remains a significant challenge at the intersection of meteorological science and natural language processing. While recent advances in Large Language Models (LLMs) have demonstrated remarkable capabilities in time series forecasting and analysis, existing approaches either produce numerical predictions without human-accessible explanations or generate generic descriptions lacking domain-specific depth. We introduce WeatherTGD, a training-free multi-agent framework that reinterprets collaborative caption refinement through the lens of Text Gradient Descent (TGD). Our system deploys three specialized LLM agents including a Statistical Analyst, a Physics Interpreter, and a Meteorology Expert that generate domain-specific textual gradients from weather time series observations. These gradients are aggregated through a novel Consensus-Aware Gradient Fusion mechanism that extracts common signals while preserving unique domain perspectives. The fused gradients then guide an iterative refinement process analogous to gradient descent, where each LLM-generated feedback signal updates the caption toward an optimal solution. Experiments on real-world meteorological datasets demonstrate that WeatherTGD achieves significant improvements in both LLM-based evaluation and human expert evaluation, substantially outperforming existing multi-agent baselines while maintaining computational efficiency through parallel agent execution.
• Abstract（参考訳）: 気象時系列データから解釈可能な自然言語キャプションを生成することは、気象科学と自然言語処理の交差において重要な課題である。 近年のLarge Language Models (LLMs) の進歩は時系列の予測と解析において顕著な能力を示したが、既存のアプローチでは人間のアクセス可能な説明のない数値予測や、ドメイン固有の深さを欠いた一般的な記述を生成する。 We introduced WeatherTGD, a training-free multi-agent framework that repreprets collaborative excuse refinement through the Lens of Text Gradient Descent (TGD)。 本システムでは,気象時系列観測からドメイン固有のテキスト勾配を生成する,統計分析器,物理解釈器,気象専門家の3つの特殊なLCMエージェントを配置する。 これらの勾配は、ユニークなドメイン視点を維持しながら共通の信号を抽出する、Consensus-Aware Gradient Fusion機構によって集約される。 融合した勾配は勾配降下に類似した反復的洗練過程を導出し、各LCM生成したフィードバック信号が最適な解に向けてキャプションを更新する。 実世界の気象データセットを用いた実験により、WeatherTGDはLLMに基づく評価と人間の専門家による評価の両方において、並列エージェント実行による計算効率を維持しながら、既存のマルチエージェントベースラインを大幅に上回っていることが示されている。

関連論文リスト

• ThinkJEPA: Empowering Latent World Models with Large Vision-Language Reasoning Model [53.15040805435013]
  視覚言語モデル(VLM)は、一様にサンプリングされたフレームを解析することで、強力なセマンティックグラウンドと一般的な知識を提供する。 本稿では,高密度フレーム・ダイナミックス・モデリングと長軸意味指導を組み合わせたVLM誘導型JEPA型潜在世界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-23T17:59:42Z)
• Textual Equilibrium Propagation for Deep Compound AI Systems [63.266386654809544]
  大規模言語モデル(LLM)は、複合AIシステムの一部としてますます多くデプロイされている。 テキストフィードバックをグローバルに伝達する最近のアプローチ(例:TextGrad)は、そのようなパイプラインを最適化することを可能にするが、システムの深さが大きくなるにつれて性能が低下する。 特に、長距離エージェントは2つの深度スケーリング障害モードを示す: 1) テキストのフィードバックが指数関数的に深度とともに増加し、不当に長いメッセージをもたらし、評価バイアスを増幅するテキストの勾配を爆発させる; 2) 長いコンテキスト能力に制限のあるモデルが部分的なフィードバックを過度に強調し、長いフィードバックの圧縮が下流メッセージの特異性を徐々に低下させるテキストの勾配を消失させる。
  論文  参考訳（メタデータ） (2026-01-28T21:41:11Z)
• A Modular LLM-Agent System for Transparent Multi-Parameter Weather Interpretation [3.0354231393746685]
  本稿では,AI-Meteorologistについて紹介する。AI-Meteorologistは,生の数値予測を科学的に基礎づけた物語レポートに変換する,説明可能なLCMエージェントフレームワークである。 本研究は,高密度表や非構造時系列として提示される従来の予測出力とは異なり,複数の気象変数にまたがるエージェントベース解析を行う。 我々は、AI-気象学者が気象イベントだけでなく、その下にある大気中のドライバーをいかに伝えるかを示す。
  論文  参考訳（メタデータ） (2025-11-28T22:24:40Z)
• Hierarchical AI-Meteorologist: LLM-Agent System for Multi-Scale and Explainable Weather Forecast Reporting [3.0354231393746685]
  階層型AI-気象学者は、階層型予測推論と天気キーワード生成を用いて説明可能な天気予報を生成する。 本フレームワークは,時間,6時間,日毎の多段階的推論を行い,短期的動態と長期的傾向の両方を捉える。
  論文  参考訳（メタデータ） (2025-11-28T17:27:06Z)
• RadarQA: Multi-modal Quality Analysis of Weather Radar Forecasts [25.396253136103432]
  MLLMに基づく天気予報分析手法であるRadarQAを導入する。 RadarQAは、すべての評価設定において、既存の一般的なMLLMよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-08-17T08:50:07Z)
• LUMIR: an LLM-Driven Unified Agent Framework for Multi-task Infrared Spectroscopy Reasoning [12.138903544219724]
  本研究では,低データ条件下での正確な赤外分光分析を実現するためのフレームワークであるLUMIRを紹介する。 LUMIRは構造化文学知識ベース、自動前処理、特徴抽出、予測モデリングを統合パイプラインに統合する。 利用可能なミルク近赤外データセット、中国の薬草、貯蔵期間の異なるCitri Reticulatae Pericarpium(CRP)、産業排水CODデータセット、Tecator、Cornなど、さまざまなデータセットで検証された。
  論文  参考訳（メタデータ） (2025-07-29T03:20:51Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
  我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。 我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。 この手法を現実のシナリオに適用するのは,私たちが初めてです。
  論文  参考訳（メタデータ） (2023-12-18T09:05:28Z)

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。