論文の概要: CAARL: In-Context Learning for Interpretable Co-Evolving Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2604.18305v1
- Date: Mon, 20 Apr 2026 14:14:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.924608
- Title: CAARL: In-Context Learning for Interpretable Co-Evolving Time Series Forecasting
- Title（参考訳）: CAARL: 解釈可能な時系列予測のための文脈学習
- Authors: Etienne Tajeuna, Patrick Asante Owusu, Armelle Brun, Shengrui Wang,
- Abstract要約: 本稿では,ContextAware ARLLM CAARLという新しいモデリング手法を提案する。
これは、共進化系列の変化に影響を及ぼす文脈力学をデコードするための解釈可能なフレームワークを提供する。
- 参考スコア（独自算出の注目度）: 2.594570585005943
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper we investigate forecasting coevolving time series that feature intricate dependencies and nonstationary dynamics by using an LLM Large Language Models approach We propose a novel modeling approach named ContextAware ARLLM CAARL that provides an interpretable framework to decode the contextual dynamics influencing changes in coevolving series CAARL decomposes time series into autoregressive segments constructs a temporal dependency graph and serializes this graph into a narrative to allow processing by LLM This design yields a chainofthoughtlike reasoning path where intermediate steps capture contextual dynamics and guide forecasts in a transparent manner By linking prediction to explicit reasoning traces CAARL enhances interpretability while maintaining accuracy Experiments on realworld datasets validate its effectiveness positioning CAARL as a competitive and interpretable alternative to stateoftheart forecasting methods
- Abstract（参考訳）: 本稿では,LLM大言語モデルを用いた複雑な依存関係と非定常的ダイナミクスを特徴とする予測時系列について検討する。我々は,共進化系列CAARLにおける変化に影響を及ぼす文脈的ダイナミクスをデコードする解釈可能なフレームワークであるContextAware ARLLM CAARLを提案する。CAARLは,時系列を自己回帰セグメントに分解し,時間的依存グラフを構築し,このグラフをLLMによる処理を可能にする物語にシリアライズする。
関連論文リスト
- T-LLM: Teaching Large Language Models to Forecast Time Series via Temporal Distillation [7.6933817667680096]
時系列予測は多くの現実世界のアプリケーションにおいて意思決定において重要な役割を果たす。
本稿では,汎用言語モデルと時系列予測機能を組み合わせた時空間蒸留フレームワークT-LLMを提案する。
論文 参考訳（メタデータ） (2026-02-02T10:40:27Z) - LLMs as High-Dimensional Nonlinear Autoregressive Models with Attention: Training, Alignment and Inference [15.493230983626281]
トランスフォーマーアーキテクチャに基づく大規模言語モデル(LLM)は通常、アーキテクチャコンポーネントやトレーニング手順のコレクションを通して記述される。
注意に基づく高次元非線形自己回帰モデルとしてLSMを定式化する。
論文 参考訳（メタデータ） (2026-01-31T00:37:53Z) - Generative Actor Critic [74.04971271003869]
Generative Actor Critic (GAC) は、軌道上での関節分布の生成モデル学習として、テキスト政治評価を反映して、シーケンシャルな意思決定を分離する新しいフレームワークである。
Gym-MuJoCoとMaze2Dベンチマークの実験では、GACの強いオフライン性能と、最先端の手法と比較してオフラインからオフラインへの大幅な改善が示されている。
論文 参考訳（メタデータ） (2025-12-25T06:31:11Z) - Reasoning Palette: Modulating Reasoning via Latent Contextualization for Controllable Exploration for (V)LMs [49.66344956133349]
推論能力は、大規模な(ビジョン)言語モデルのための推論時間性能と強化学習(RL)トレーニングの両方を形作る。
本稿では,戦略的文脈化のための潜在変数をモデルに付与する新しい潜在変調フレームワークであるReasoning Paletteを提案する。
論文 参考訳（メタデータ） (2025-12-19T03:32:53Z) - Conversational Time Series Foundation Models: Towards Explainable and Effective Forecasting [13.958506262265871]
大規模言語モデル(LLM)は強力な推論機能を提供するが、時系列予測への直接適用は効果がないことが証明されている。
SHAPに基づく忠実度スコアによって導かれるR1スタイルの微調整プロセスを導入し,重みを意味のある因果文として解釈するモデルを指導する。
提案手法は,CRPSとMASEの両指標において,先行時系列基礎モデルよりも有意に優れていた。
論文 参考訳（メタデータ） (2025-12-17T23:14:38Z) - TimeXL: Explainable Multi-modal Time Series Prediction with LLM-in-the-Loop [79.5773512667468]
TimeXLは、プロトタイプベースの時系列エンコーダと3つの協調する大規模言語モデルを統合するマルチモーダル予測フレームワークである。
リフレクションLLMは、予測された値と地上の真実を比較し、テキストの不整合やノイズを識別する。
このクローズドループワークフロー予測、批判(参照)、改善が連続的にフレームワークのパフォーマンスと解釈可能性を高めます。
論文 参考訳（メタデータ） (2025-03-02T20:40:53Z) - Improving Autoregressive Visual Generation with Cluster-Oriented Token Prediction [52.09472099976885]
IARは、LLMベースのビジュアル生成モデルのトレーニング効率と生成品質を向上させる改良された自動回帰ビジュアル生成方法である。
提案手法は,モデルのトレーニング効率と性能を100Mから1.4Bに継続的に向上させ,同じFIDを達成しながらトレーニング時間を半減させる。
論文 参考訳（メタデータ） (2025-01-01T15:58:51Z)
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。