論文の概要: Empowering VLMs for Few-Shot Multimodal Time Series Classification via Tailored Agentic Reasoning

• arxiv url: http://arxiv.org/abs/2605.09395v1
• Date: Sun, 10 May 2026 07:47:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.228153
• Title: Empowering VLMs for Few-Shot Multimodal Time Series Classification via Tailored Agentic Reasoning
• Title（参考訳）: テーラーエージェント推論によるFew-Shotマルチモーダル時系列分類のためのVLMの強化
• Abstract要約: VL$underlinetextbfM$$underlinetextbfa$gentic $underlinetextbfr$easoning framework for few-$underlinetextbfs$hot multimodal $underlinetextbfT$ime $underlinetextbfS$eries $underlinetextbfC$lassification$textbfMarsTSC$(source)を提案する。
• 参考スコア（独自算出の注目度）: 44.69766273765273
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we propose the first VL$\underline{\textbf{M}}$ $\underline{\textbf{a}}$gentic $\underline{\textbf{r}}$easoning framework for few-$\underline{\textbf{s}}$hot multimodal $\underline{\textbf{T}}$ime $\underline{\textbf{S}}$eries $\underline{\textbf{C}}$lassification ($\textbf{MarsTSC}$), which introduces a self-evolving knowledge bank as a dynamic context iteratively refined via reflective agentic reasoning. The framework comprises three collaborative roles: i) Generator conducts reliable classification via reasoning; ii) Reflector diagnoses the root causes of reasoning errors to yield discriminative insights targeting the temporal features overlooked by Generator; iii) Modifier applies verified updates to the knowledge bank to prevent context collapse. We further introduce a test-time update strategy to enable cautious, continuous knowledge bank refinement to mitigate few-shot bias and distribution shift. Extensive experiments across 12 mainstream time series benchmarks demonstrate that $\textbf{MarsTSC}$ delivers substantial and consistent performance gains across 6 VLM backbones, outperforming both classical and foundation model-based time series baselines under few-shot conditions, while producing interpretable rationales that ground each classification decision in human-readable feature evidence.
• Abstract（参考訳）: 本稿では、VL$\underline{\textbf{M}}$\underline{\textbf{a}}$gentic $\underline{\textbf{r}}$easoning framework for few-$\underline{\textbf{s}}$hot multimodal $\underline{\textbf{T}}$ime $\underline{\textbf{S}}$eries $\underline{\textbf{C}}$lassification$\textbf{MarsTSC}$)を提案する。 フレームワークには3つの協力的な役割がある。 一 発電機は、推論による信頼できる分類を行う。 二 再生装置は、過誤の根本原因を診断し、発生元が見落としている時間的特徴を対象とする識別的洞察を得る。 三 変更者は、文脈崩壊を防止するため、知識銀行に検証済みの更新を施す。 さらに、注意深い継続的知識銀行の精査を可能にするテストタイム更新戦略を導入し、少数ショットバイアスと分散シフトを緩和する。 12の主流時系列ベンチマークによる大規模な実験により、$\textbf{MarsTSC}$は6つのVLMバックボーンで実質的かつ一貫したパフォーマンス向上を実現し、古典的および基礎的モデルに基づく時系列のベースラインを数ショット条件で上回り、また、各分類決定を人間可読性のある特徴証拠で根拠付ける解釈可能な理論的根拠を生成する。

関連論文リスト

• FUSE: An Evaluating Framework for Dangerous Capabilities of LLMs [24.30721158142313]
  フラグメンテッド安全評価は、危険なAI機能のガバナンスを損なう。 Knowledge、Defense、Harmの3つの直交パイプラインを通して各モデルを評価するモジュラーフレームワークを提案する。 最初のコントリビューションは、モデルとモデルファミリ間の危険能力の水平比較です。 モデルリリース日に対する$K$、$D$、および$H$の追跡は、危険な能力が単調に低下していないことを示している。
  論文  参考訳（メタデータ） (2026-09-02T06:31:39Z)
• MRAFnd: Multimodal Retrieval-Augmented Framework for Zero-Shot Fake News Detection [0.0]
  ゼロショットシナリオで生成したニュースを検出するための新しいフレームワークである textbfMRAFnd を紹介する。 MRAFndは、ニュースの妥当性を検証するために、アナリストの協力チームをエミュレートする。 3つのベンチマークデータセットに関する総合的な実験によると、MRAFndは最先端のベースラインを著しく超えている。
  論文  参考訳（メタデータ） (2026-08-02T18:21:15Z)
• WhisperRec: Latent Reasoning for Efficient Foundation Recommendation Models [51.88075626243057]
  基礎推薦モデル(FRM)のための効率的な潜在推論フレームワークであるWhisperRecを提案する。 WhisperRecは教師生成のChain-of-Thought(CoT)を学習可能な潜在推論トークンに圧縮する。 WhisperRecは明示的なCoT法と従来のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-07-29T08:48:35Z)
• TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning [52.67756371231985]
  検証可能な報酬を伴う強化学習(RLVR)は、大規模言語モデルにおける推論とエージェント的行動を強化するための有望なアプローチである。 本稿では,Tree Rollout Allocation for Contrastive Exploration (TRACE)について紹介する。 技術的には、TRACEはロールアウト予算をルートと中間プレフィックスの両方に割り当てている。
  論文  参考訳（メタデータ） (2026-06-09T17:16:03Z)
• ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
  $textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。 Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
  論文  参考訳（メタデータ） (2026-05-11T16:20:51Z)
• DeltaRubric: Generative Multimodal Reward Modeling via Joint Planning and Verification [38.65432183778467]
  一つのMLLM内でのプラン・アンド・エグゼキュートプロセスとしてマルチモーダルな選好評価を再構成するアプローチであるDeltaRubricを導入する。 DeltaRubricは2つのステップで動作する。まずは$textitDisagreement Planner$として動作し、中立でインスタンス固有のチェックリストを生成する。 我々はDeltaRubricをマルチロール強化学習問題として定式化し、計画と検証機能を共同で最適化する。
  論文  参考訳（メタデータ） (2026-05-10T02:32:19Z)
• Quantifying Self-Preservation Bias in Large Language Models [9.590157416396194]
  本稿では,emphTwo-role Benchmark for Self-Preservationを紹介する。 役割アイデンティティが客観的ユーティリティを過度に上回る頻度を測定する。 我々は,低改善体制下では,モデルが解釈スラックを利用してポストホック合理化を行うのを観察する。
  論文  参考訳（メタデータ） (2026-04-02T15:38:31Z)
• CDRRM: Contrast-Driven Rubric Generation for Reliable and Interpretable Reward Modeling [61.75914342638658]
  CDRRM(Contrast-Driven Reward Model)は、高品質なルーリック生成と優先判断のためのフレームワークである。 この作業は、報酬モデリングのためのスケーラブルで解釈可能で、データ効率のよいパスを提供する。
  論文  参考訳（メタデータ） (2026-03-09T07:15:23Z)
• Contextual Counterfactual Credit Assignment for Multi-Agent Reinforcement Learning in LLM Collaboration [22.269718913202595]
  コンテキスト非現実的クレジット割り当て(textbftextttC3)を導入する。 textbftextttC3は、エピソード全体で報酬を分配する代わりに、個々のメッセージの因果的影響を分離する。 textbftextttC3は、確立されたベースラインよりもターミナルパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2026-03-06T20:25:11Z)
• Breaking Contextual Inertia: Reinforcement Learning with Single-Turn Anchors for Stable Multi-Turn Interaction [49.03500737694832]
  textbfReinforcement textbfLearning with textbfTurn textbfRLSTA。 実験の結果,RTSTAは標準微調整法や禁忌法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2026-03-05T04:04:59Z)
• A Dual-Path Generative Framework for Zero-Day Fraud Detection in Banking Systems [0.2864713389096699]
  高周波銀行環境は、低遅延詐欺検出と規制説明可能性の間に重要なトレードオフに直面している。 伝統的な規則に基づく差別的モデルは、過度の階級不均衡と歴史的な前例の欠如のために「ゼロデイ」攻撃に苦しむ。 本稿では,オフライン学習からリアルタイムな異常検出を分離するデュアルパス生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-17T10:20:40Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• Look As You Think: Unifying Reasoning and Visual Evidence Attribution for Verifiable Document RAG via Reinforcement Learning [55.232400251303794]
  Look As You Think (LAT)は、モデルをトレーニングし、一貫した帰属性を持った検証可能な推論パスを生成するための強化学習フレームワークである。 LATはシングルイメージとマルチイメージの両方でバニラモデルを一貫して改善し、平均ゲインは8.23%、IoU@0.5では47.0%となる。
  論文  参考訳（メタデータ） (2025-11-15T02:50:23Z)
• Stop When Enough: Adaptive Early-Stopping for Chain-of-Thought Reasoning [46.106795445750855]
  REFRAINはトレーニング不要のフレームワークで、理由付けをやめて過度に考えることを緩和する。 REFRAINは、標準的なCoTプロンプトと比較して、トークンの使用量を20～55%削減し、精度を維持または改善している。
  論文  参考訳（メタデータ） (2025-10-11T08:30:00Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)

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。