論文の概要: ForecastCompass: Guiding Agentic Forecasting with Adaptive Factor Memory

• arxiv url: http://arxiv.org/abs/2605.30858v1
• Date: Fri, 29 May 2026 05:30:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.40268
• Title: ForecastCompass: Guiding Agentic Forecasting with Adaptive Factor Memory
• Title（参考訳）: ForecastCompass: 適応的因子記憶によるエージェント予測の誘導
• Abstract要約: エージェント予測のための適応係数ベースのメモリフレームワークであるForecast(FoCo)を提案する。 FoCoは階層的な予測タスク分類で予測経験を整理し、タスク関連予測知識の検索を可能にする。 GPT-5-miniとGemini-2.5-Flashによる予言的アリーナとFutureXの実験では、FoCoは確率的精度とキャリブレーションの両方を改善している。
• 参考スコア（独自算出の注目度）: 28.100237569490996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agentic forecasting is important for decision-making in dynamic environments, but it remains challenging because agents must reason from incomplete, time-limited evidence and produce calibrated probabilities before outcomes are resolved. Memory provides a natural mechanism for transferring experience from resolved forecasts to future prediction tasks. However, existing agent-memory methods are not tailored to forecasting, as they typically store past interactions, reflections, or factual associations without explicitly representing reusable predictive factors or calibration knowledge. We propose ForecastCompass (FoCo), an adaptive factor-based memory framework for agentic forecasting. FoCo organizes forecasting experience with a hierarchical forecasting-task taxonomy, enabling retrieval task-relevant forecasting knowledge. It maintains two complementary memory components: factor memory, which captures reusable predictive dimensions, and reasoning memory, which encodes probability updating, uncertainty handling, and calibration principles. Using retrospective analyses as learning signals, FoCo iteratively revises memory through a verbalized memory-revision procedure, enabling the agent to accumulate transferable forecasting knowledge over time. Experiments on Prophet Arena and FutureX with GPT-5-mini and Gemini-2.5-Flash show that FoCo improves both probabilistic accuracy and calibration.
• Abstract（参考訳）: エージェント予測は動的環境における意思決定において重要であるが、エージェントは不完全で時間制限のある証拠から推論し、結果が解決される前に調整された確率を生成する必要があるため、依然として困難である。 メモリは、解決された予測から将来の予測タスクに経験を移す自然なメカニズムを提供する。 しかし、既存のエージェントメモリ法は、通常、再利用可能な予測因子やキャリブレーション知識を明示的に表現することなく、過去の相互作用、リフレクション、事実関連を記憶するので、予測に適していない。 本稿では,エージェント予測のための適応係数ベースのメモリフレームワークであるForecastCompass (FoCo)を提案する。 FoCoは階層的な予測タスク分類で予測経験を整理し、タスク関連予測知識の検索を可能にする。 再利用可能な予測次元をキャプチャするファクタメモリと、確率更新、不確実性処理、キャリブレーション原理をエンコードする推論メモリの2つの相補的メモリコンポーネントを維持している。 振り返り分析を学習信号として使用することにより、FoCoは言語化されたメモリリビジョン手順を通じてメモリを反復的に更新し、エージェントが時間とともに転送可能な予測知識を蓄積できるようにする。 GPT-5-miniとGemini-2.5-Flashによる予言的アリーナとFutureXの実験では、FoCoは確率的精度とキャリブレーションの両方を改善している。

関連論文リスト

• From Narrative to Auditable Forecasts: A Structured Scaffold for Agentic Forecasting [28.10023756949099]
  AuditForecastは構造化確率予測のためのエージェント的な足場である。 予測を適切な定量的ベースラインモデルで固定し、モデル誘導データ検索を使用してベース確率を導出し、モデルの範囲外で状況要因を更新する。 AuditForecastは、予測構築を明確にし、系統的なポストホック分析をサポートする監査可能な予測レポートを生成する。
  論文  参考訳（メタデータ） (2026-09-05T05:58:39Z)
• Two-stage Odd Residual Flows for Mean-Preserving Probabilistic Time Series Forecasting [9.992963275755159]
  2段階のOdd Residual Flows (TORF) は不確実性推定から平均予測を分離するフレームワークである。 TORFは、近距離および長距離予測において、強い密度推定性能(CRPS)を提供しながら、最先端の決定論的精度(NMAE)を達成する。
  論文  参考訳（メタデータ） (2026-08-11T16:22:47Z)
• Belief Memory: Agent Memory Under Partial Observability [56.41506249481312]
  本稿では,メモリパラダイムを観測毎に1つの結論にシフトし,その確率で複数の結論を導出するBeliefMemを提案する。 BeliefMemは決定論的パラダイムが破棄されるという不確実性を保ち、エージェントが高い信頼を持って行動することを可能にする。 LoCoMoとALFWorldベンチマークの実証的な評価は、限られたデータであっても、BeliefMemが最高の平均パフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2026-05-07T02:03:13Z)
• TS-Memory: Plug-and-Play Memory for Time Series Foundation Models [63.21390142212087]
  Time Series Foundation Models (TSFM) は大規模な事前訓練を通じて強力なゼロショット予測を実現する。 パラメトリック適応は破滅的な忘れを招き、非パラメトリック検索は予測を改善するが、データストア検索によってレイテンシが高くなる。 本稿では, TSFM を拡張した軽量メモリアダプタ TS-Memory としてParametric Memory Distillation を提案し,実装する。
  論文  参考訳（メタデータ） (2026-02-12T04:16:19Z)
• Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting [49.05788441962762]
  エージェント時系列予測(ATSF)は,認識,計画,行動,反射,記憶からなるエージェントプロセスとして再編成される。 ワークフローに基づく設計、エージェント強化学習、ハイブリッドエージェントワークフローパラダイムという3つの代表的な実装パラダイムを概説し、モデル中心の予測からエージェント予測に移行する際に生じる機会と課題について議論する。
  論文  参考訳（メタデータ） (2026-02-02T08:01:11Z)
• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)
• Remember Intentions: Retrospective-Memory-based Trajectory Prediction [31.25007169374468]
  本稿では,エージェントの動作意図を予測するインスタンスベースのアプローチであるMemoNetを提案する。 実験の結果、提案されたMemoNetは以前のSDD/ETH-UCY/NBAデータセットのベストメソッドから20.3%/10.2%/28.3%改善している。
  論文  参考訳（メタデータ） (2022-03-22T05:59:33Z)
• Heterogeneous-Agent Trajectory Forecasting Incorporating Class Uncertainty [54.88405167739227]
  本稿では,エージェントのクラス確率を明示的に組み込んだヘテロジニアスエージェント軌道予測手法であるHAICUを提案する。 さらに,新たな挑戦的な実世界の自動運転データセットであるpupも紹介する。 軌道予測にクラス確率を組み込むことで,不確実性に直面した性能が著しく向上することを示す。
  論文  参考訳（メタデータ） (2021-04-26T10:28:34Z)

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。