論文の概要: TimeClaw: A Time-Series AI Agent with Exploratory Execution Learning

• arxiv url: http://arxiv.org/abs/2605.10038v1
• Date: Mon, 11 May 2026 06:09:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.562942
• Title: TimeClaw: A Time-Series AI Agent with Exploratory Execution Learning
• Title（参考訳）: TimeClaw: 探索的実行学習を備えた時系列AIエージェント
• Authors: Hangchen Liu, Dongyuan Li, Renhe Jiang, Jiewen Deng, Weiwei Ye, Yoshihide Sekimoto,
• Abstract要約: 時系列分析は、金融や天気などの分野における予測、監視、意思決定の基盤となっている。 探索的実行を再利用可能な階層的蒸留体験に変換する探索的実行学習フレームワークであるTimeClawを提案する。
• 参考スコア（独自算出の注目度）: 22.232550112727267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series analysis underpins forecasting, monitoring, and decision making in domains such as finance and weather, where solving a task often requires both numerical accuracy and contextual reasoning. Recent progress has moved from specialized neural predictors to approaches built on LLMs and foundation models that can reason over time series inputs and use external tools. However, most such systems remain execution-centric: they focus on solving the current instance but learn little from exploratory execution. This is especially limiting in verifiable numeric settings, where multiple candidate executions and tool-use procedures may all be task-valid yet differ sharply in quantitative quality, and where early success can trigger tool-prior collapse that suppresses further exploration. To address this limitation, we present TimeClaw, an exploratory execution learning framework that turns exploratory execution into reusable hierarchical distilled experience through a four-stage loop: Explore, Compare, Distill, and Reinject. TimeClaw combines metric-supervised exploratory execution learning, task-aware tool dropout, and hierarchical distilled experience for inference-time reinjection, while keeping the base model frozen and avoiding online test-time adaptation. In an MTBench-aligned evaluation with 17 tasks that span finance and weather prediction and reasoning tasks, TimeClaw delivers consistent gains over the baselines. These results suggest that, for scientific systems, the bottleneck is not only execution-time capability, but how exploratory experience is compared, distilled, and reused.
• Abstract（参考訳）: 時系列分析は、金融や天気などの分野における予測、監視、意思決定の基盤となっている。 近年の進歩は、特殊な神経予測器から、時系列入力を推論し、外部ツールを使用するLLMや基礎モデル上に構築されたアプローチへと移行している。 しかし、そのようなシステムの多くは実行中心であり、現在のインスタンスの解決に集中しているが、探索的な実行からはほとんど学ばない。 これは検証可能な数値設定において特に制限され、複数の候補の実行とツールの使用手順はすべて、量的品質においてタスク倍数であるが、初期成功は、さらなる探索を抑制するツール-プライア崩壊を引き起こす可能性がある。 この制限に対処するため、探索的実行学習フレームワークであるTimeClawを紹介し、探索的実行を4段階のループであるExplore、Compare、Distill、Reinjectを通じて再利用可能な階層的蒸留エクスペリエンスに変換する。 TimeClawは、メトリック管理された探索的実行学習、タスク認識ツールのドロップアウト、推論時のリジェクションのための階層的な蒸留経験を組み合わせると同時に、ベースモデルを凍結させ、オンラインテストタイムの適応を回避している。 MTBenchによる財務、天気予報、推論タスクにまたがる17のタスクによる評価では、TimeClawはベースラインに対して一貫した利得を提供する。 これらの結果から, 科学的システムにおいては, ボトルネックは実行時の能力だけではなく, 探索的経験の比較, 蒸留, 再利用の方法が示唆された。

関連論文リスト

• Can We Predict Before Executing Machine Learning Agents? [74.39460101251792]
  データ中心のソリューション優先のタスクを形式化し、18,438対比較の包括的コーパスを構築する。 検証データ解析レポートを作成した場合, LLM は重要な予測能力を示すことを示す。 このフレームワークをForEAGENT(Predict-then-Verifyループを利用するエージェント)でインスタンス化し、実行ベースラインを+6%超えながらコンバージェンスを6倍高速化する。
  論文  参考訳（メタデータ） (2026-01-09T16:44:17Z)
• Still Competitive: Revisiting Recurrent Models for Irregular Time Series Prediction [0.9883261192383609]
  GRUwE:指数基底関数付きGated Recurrent Unitを提案する。 GRUwEは、レグレッションベースの予測とイベントベースの予測の両方を連続的にサポートする。
  論文  参考訳（メタデータ） (2025-10-17T19:04:16Z)
• Domain-Oriented Time Series Inference Agents for Reasoning and Automated Analysis [19.649769354503658]
  本稿では,自然言語推論と正確な数値実行を統合したドメイン指向時系列エージェントTS-Reasonerを紹介する。 基本時系列理解と複雑な多段階推論という2つの軸でその能力を評価する。
  論文  参考訳（メタデータ） (2024-10-05T06:04:19Z)
• TSI-Bench: Benchmarking Time Series Imputation [52.27004336123575]
  TSI-Benchは、ディープラーニング技術を利用した時系列計算のための総合ベンチマークスイートである。 TSI-Benchパイプラインは、実験的な設定を標準化し、計算アルゴリズムの公平な評価を可能にする。 TSI-Benchは、計算目的のために時系列予測アルゴリズムを調整するための体系的なパラダイムを革新的に提供する。
  論文  参考訳（メタデータ） (2024-06-18T16:07:33Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• OneShotSTL: One-Shot Seasonal-Trend Decomposition For Online Time Series Anomaly Detection And Forecasting [21.841836315237376]
  季節差分解は時系列解析における最も基本的な概念の1つである。 OneShotSTLは、オンラインの時系列をO(1)の更新時間の複雑さで分解できる効率的で正確なアルゴリズムである。
  論文  参考訳（メタデータ） (2023-04-04T03:35:14Z)
• Temporal Dependencies in Feature Importance for Time Series Predictions [4.082348823209183]
  時系列予測設定における特徴重要度を評価するためのフレームワークであるWinITを提案する。 我々は、ソリューションが時間ステップ内の機能の適切な属性をどのように改善するかを示す。 WinIT は FIT の2.47倍の性能を達成しており、実際のMIMIC の致命的課題における他の特徴的重要な手法である。
  論文  参考訳（メタデータ） (2021-07-29T20:31:03Z)
• Temporally Correlated Task Scheduling for Sequence Learning [143.70523777803723]
  多くのアプリケーションにおいて、シーケンス学習タスクは通常、複数の時間的に相関した補助タスクと関連付けられている。 シーケンス学習に学習可能なスケジューラを導入し、トレーニングのための補助的なタスクを適応的に選択できる。 本手法は,同時翻訳とストックトレンド予測の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-07-10T10:28:54Z)

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。