論文の概要: KairosAgent: Agentic Time Series Forecasting with Fused Semantic Reasoning

• arxiv url: http://arxiv.org/abs/2605.30002v1
• Date: Thu, 28 May 2026 14:32:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.391492
• Title: KairosAgent: Agentic Time Series Forecasting with Fused Semantic Reasoning
• Title（参考訳）: KairosAgent: 融合セマンティック推論によるエージェント時系列予測
• Authors: Kun Feng, Ziwei Shan, Yuchen Fang, Yiyang Tan, Sihan Lu, Shuqi Gu, Lintao Ma, Xingyu Lu, Kan Ren,
• Abstract要約: クロスドメインマルチモーダル時系列予測は、正確な数値理解、クロスドメインセマンティック理解、効果的なマルチモーダル融合をモデルに統合する必要がある、難しい課題である。 既存のアプローチは、時系列基礎モデル(TSFM)をスクラッチから構築するか、事前訓練された大規模言語モデル(LLM)を活用するかのいずれかである。 LLMベースの推論器とTSFMベースの予測器を含む,マルチモーダル時系列予測のための新しいエージェントフレームワークであるKairosAgentを提案する。
• 参考スコア（独自算出の注目度）: 25.103984906343328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain multimodal time series forecasting is a challenging task, requiring models to integrate precise numerical comprehension, cross-domain semantic understanding, and effective multimodal fusion. Existing approaches either build Time Series Foundation Models (TSFMs) from scratch or leverage pretrained Large Language Models (LLMs). However, TSFMs often overlook semantic understanding and lack the ability to perform future-oriented semantic reasoning, and LLMs struggle with numerical comprehension and accurate quantitative forecasting. To overcome these limitations, we propose KairosAgent, a novel agentic framework for multimodal time series forecasting, including an LLM-based reasoner and a TSFM-based forecaster. KairosAgent unifies textual reasoning and numerical forecasting by dynamically invoking analytical tools to enhance the numerical understanding and semantic reasoning capabilities of LLMs. The reasoning results are subsequently fused into the TSFM pipeline, enabling more accurate and reliable future predictions. To further improve the reasoning, we curate a large-scale corpus of high-quality trajectories, alongside a reinforcement learning from forecasting paradigm with multi-turn refinement and turn-level credit assignment. Experiments demonstrate that KairosAgent achieves superior zero-shot forecasting performance while maximizing the utility of pretrained LLMs and TSFMs, presenting a promising direction for efficient and interpretable time series agents. The project page is at https://foundation-model-research.github.io/KairosAgent .
• Abstract（参考訳）: クロスドメインマルチモーダル時系列予測は、正確な数値理解、クロスドメインセマンティック理解、効果的なマルチモーダル融合をモデルに統合する必要がある、難しい課題である。 既存のアプローチでは、時系列ファンデーションモデル(TSFM)をスクラッチから構築するか、事前訓練された大規模言語モデル(LLM)を活用する。 しかし、TSFMはセマンティック理解を見落とし、将来的なセマンティック推論を行う能力が欠如しており、LLMは数値的理解と正確な定量的予測に苦慮している。 これらの制約を克服するために,LLMベースの推論器とTSFMベースの予測器を含む,マルチモーダル時系列予測の新しいエージェントフレームワークであるKairosAgentを提案する。 KairosAgentは解析ツールを動的に起動することでテキスト推論と数値予測を統合し、LLMの数値的理解と意味的推論能力を高める。 推論結果は後にTSFMパイプラインに融合され、より正確で信頼性の高い将来の予測が可能になる。 推論をさらに改善するため,マルチターン改良とターンレベルのクレジット割り当てによる予測パラダイムからの強化学習とともに,高品質な軌道の大規模コーパスをキュレートする。 実験により,KairosAgent は事前学習した LLM と TSFM の有効性を最大化し,効率よく解釈可能な時系列エージェントの有望な方向を示すとともに,優れたゼロショット予測性能が得られることを示した。 プロジェクトページはhttps://foundation-model-research.github.io/KairosAgent にある。

関連論文リスト

• Nexus : An Agentic Framework for Time Series Forecasting [72.73790673303154]
  時系列予測は、ニュースやイベントのような構造化されていないコンテキストデータによる推論を必要とする。 予測を特殊なステージに分解するマルチエージェント予測フレームワークであるNexusを紹介します。 本研究では,現在のLLMは,従来よりも強い固有予測能力を有することを示す。
  論文  参考訳（メタデータ） (2026-05-14T05:12:13Z)
• Reasoning-Aware Training for Time Series Forecasting [44.62309170542093]
  Time Series Foundation Models (TSFMs) は数値予測では優れているが、定性的推論を欠いたブラックボックスとして運用されている。 テキストトークンライザは連続した数値を断片化し、数学的関係を劣化させ、配列の長さを爆発させる。 STRIDE (Strategic Time-Series Reasoning Injected by Distilled Embeddings) について紹介する。 STRIDEは離散トークンの代わりに、トレースの推論を軽量のLCMに蒸留し、ターゲットの数値エンコーダに先立って平均プールされた隠された状態をクロスモーダルとして動的に投影する。
  論文  参考訳（メタデータ） (2026-05-09T02:41:47Z)
• CastFlow: Learning Role-Specialized Agentic Workflows for Time Series Forecasting [74.29761960394848]
  大規模言語モデル(LLM)のための動的エージェント予測フレームワークであるCastFlowを提案する。 CastFlowは予測プロセスを計画、アクション、予測、リフレクションに編成し、エージェントワークフローを確立する。 第3に、CastFlowは、汎用推論と特殊な数値予測を組み合わせたロール特殊化設計を採用する。
  論文  参考訳（メタデータ） (2026-04-30T13:24:42Z)
• Time Series Forecasting as Reasoning: A Slow-Thinking Approach with Reinforced LLMs [12.295608604703117]
  Time-R1は、時系列予測のためのLLMの多段階推論能力を高めるために設計された2段階強化微調整フレームワークである。 具体的には、第1段はウォームアップ適応のための教師付き微調整を行い、第2段は強化学習を用いてモデルの一般化能力を向上させる。 実験によると、Time-R1は多様なデータセット間で予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2025-06-12T12:15:50Z)
• 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)

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。