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
• 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

• MLLM-Guided Semantic Correction for Text-to-Video Generation [66.7723669725808]
  マルチモーダルな大規模言語モデルフィードバックを統合した,トレーニングフリーで解釈可能な中間世代補正フレームワークを提案する。 セマンティック・アセスメント・スーパーバイザ (Semantic Assessment Supervisor) とセマンティック・アセスメント・アシスタント (Semantic Modification Assistant) という,セマンティック・アセスメント・スーパーバイザ (Semantic Assessment Supervisor) の2つの重要なモジュールを提案する。 本手法は, モデルパラメータを変更することなく, セマンティックアライメント, 視覚的忠実度, 時間的一貫性を改善する。
  論文  参考訳（メタデータ） (2026-08-17T12:54:10Z)
• WaveDetect: Robust Framework for Machine-Generated Text Detection via Wavelet Transform [2.7227283756285288]
  既存の検出器は、対向的な摂動、ドメイン間のシフト、基礎モデルの急激な時間的進化という3つの重要な課題に直面した時にしばしば混乱する。 本稿では、時間周波数領域内の信号処理タスクとしてテキスト検出を再構成する新しいフレームワークであるWavedetectを提案する。
  論文  参考訳（メタデータ） (2026-06-22T13:42:36Z)
• Monitoring Neural Training with Topology: A Footprint-Predictable Collapse Index [51.56484100374058]
  我々は,MHM(Modular Morse Homology maintenance)とCI(Composite Collapse Index)を併用したオンライントポロジ対応型神経表現モニタを提案する。 コンプレックスを再構築する代わりに、スパース編集を一定のスケールで適用し、離散的なモースマッチングを維持し、高速でインクリメンタルな更新をもたらす。
  論文  参考訳（メタデータ） (2026-04-28T19:21:21Z)
• Spectral-Aware Text-to-Time Series Generation with Billion-Scale Multimodal Meteorological Data [5.582207674658708]
  我々は,MACC(Collaborative Captioning)パイプラインを通じて構築された専門家レベルのキャプションと組み合わせた,10億規模の気象データセットであるMeteoCap-3Bを紹介した。 次に,MTransformerを提案する。MTransformerは,テキスト記述をマルチバンドスペクトルにマッピングすることで,正確な意味制御を可能にするモデルである。 実世界のベンチマーク実験では、最先端の世代品質、正確なクロスモーダルアライメント、強力なセマンティックコントロール可能性、下流予測の大幅な向上が示されている。
  論文  参考訳（メタデータ） (2026-03-28T04:55:00Z)
• 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)
• Agentic Spatio-Temporal Grounding via Collaborative Reasoning [80.83158605034465]
  時間的ビデオグラウンド(Temporal Video Grounding)は、テキストクエリが与えられたビデオ内の対象物または人の時間的チューブを検索することを目的としている。 本稿では,STVGの課題に対して,オープンワールドおよびトレーニングフリーシナリオに向けたエージェント時空間グラウンド(ASTG)フレームワークを提案する。 具体的には、現代多言語モデル(MLLM)を活用した2つの特殊エージェントSRA(Spatial Reasoning Agent)とTRA(Temporal Reasoning Agent)である。 人気のあるベンチマークの実験は、既存の弱教師付きおよびゼロショットアプローチをマージンで上回る提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2026-02-10T10:16:27Z)
• 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)
• Entropy Guided Extrapolative Decoding to Improve Factuality in Large Language Models [55.45444773200529]
  大きな言語モデル(LLM)は印象的な自然言語能力を示すが、幻覚に苦しむ。 最近の研究は推論時の事実性を改善するための復号化技術に焦点を当てている。
  論文  参考訳（メタデータ） (2024-04-14T19:45:35Z)
• 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。