論文の概要: From Long News to Accurate Forecast: Importance-Aware Fusion and PRM-Guided Reflection for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2606.03097v1
• Date: Tue, 02 Jun 2026 03:36:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.733264
• Title: From Long News to Accurate Forecast: Importance-Aware Fusion and PRM-Guided Reflection for Time Series Forecasting
• Title（参考訳）: ロングニュースから正確な予測へ: 時系列予測における重要認識核融合とPRM誘導反射
• Authors: Mingyang Liu, Qingcan Kang, Yuke Wang, Shixiong Kai, Kaichao Liang, Hui-Ling Zhen, Tao Zhong, Mingxuan Yuan, Linqi Song,
• Abstract要約: 本稿では,重要なニュース圧縮とプロセスレベルの検索監視を組み合わせた新しいフレームワークを開発する。 金融、エネルギー、トラフィック、およびbitcoin予測ベンチマークの実験は、我々の手法が強力なベースラインよりも予測精度を向上させることを示している。
• 参考スコア（独自算出の注目度）: 37.31650180872261
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Incorporating news into time series forecasting is appealing because news can reveal abrupt exogenous events that historical values alone cannot recover. However, existing LLM-based news-forecasting pipelines face two practical limitations: relevant news articles often exceed the model's context window, and iterative retrieval of supplementary news is typically unguided, leading to redundant updates and slow convergence. We address these issues with a novel framework that combines importance-aware news compression and process-level retrieval supervision. First, we train an importance reward model that estimates the forecasting utility of each article and uses this signal to allocate compression budgets during sequential pairwise fusion, preserving informative content within a fixed context limit. Second, we introduce a process reward model (PRM) that ranks multiple supplementary-news candidates conditioned on the current error profile and the history of previously selected articles, replacing one-shot blind retrieval with quality-controlled selection. Both components are trained offline using historical data with ground truth; inference uses the frozen filtering logic and compression modules without any reflection loop. Experiments on finance, energy, traffic, and bitcoin forecasting benchmarks show that our method improves prediction accuracy over strong baselines, significantly reduces the number of refinement iterations compared to the iterative baseline, and remains effective when relevant articles span thousands of tokens.
• Abstract（参考訳）: 時系列予測にニュースを組み込むことは、歴史的価値だけでは回復できない急激な外因性事象を明らかにする可能性があるため、魅力的である。 しかし、既存のLLMベースのニュース放送パイプラインは2つの実用的な制限に直面している: 関連するニュース記事は、しばしばモデルのコンテキストウインドウを越え、補足ニュースの反復的な検索は、通常無誘導であり、冗長な更新と緩やかな収束をもたらす。 本稿では,これらの課題を,重要なニュース圧縮とプロセスレベルの検索監視を組み合わせた新しいフレームワークで解決する。 まず,各記事の予測ユーティリティを推定する重要報酬モデルを訓練し,この信号を用いて逐次的相互融合時に圧縮予算を割り当て,一定の文脈制限内で情報的コンテンツを保存する。 第2に、現在のエラープロファイルと以前選択された記事の履歴に規定された複数の補足的新規候補をランク付けするプロセス報酬モデル(PRM)を導入し、ワンショットブラインド検索を品質制御された選択に置き換える。 推論では凍結フィルタリングロジックと圧縮モジュールをリフレクションループなしで使用する。 金融、エネルギー、トラフィック、およびbitcoin予測ベンチマークの実験は、我々の手法が強力なベースラインよりも予測精度を向上し、反復ベースラインに比べて改善イテレーションの回数を大幅に削減し、関連する記事が数千のトークンにまたがる場合に有効であることを示している。

関連論文リスト

• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• From News to Forecast: Integrating Event Analysis in LLM-Based Time Series Forecasting with Reflection [16.47323362700347]
  本稿では,テキストデータと時系列データの両方を解析することで時系列予測を強化する新しい手法を提案する。 言語を媒体として,社会イベントを予測モデルに適応的に統合し,ニュースコンテンツと時系列のゆらぎを一致させてより豊かな洞察を提供する。 具体的には、LSMをベースとしたエージェントを用いて、無関係なニュースを反復的にフィルタリングし、人間ライクな推論を用いて予測を評価する。
  論文  参考訳（メタデータ） (2024-09-26T03:50:22Z)
• AutoCast++: Enhancing World Event Prediction with Zero-shot Ranking-based Context Retrieval [9.357912396498142]
  ゼロショットランキングに基づくコンテキスト検索システムであるAutoCast++を紹介する。 提案手法は、まずゼロショットの質問パス関連性に基づいて記事を再ランク付けし、セマンティックな関連するニュースに注目する。 我々は、ドメイン固有のトレーニングを必要とせずに、関連性評価と記事要約を行う。
  論文  参考訳（メタデータ） (2023-10-03T08:34:44Z)
• Prompt-and-Align: Prompt-Based Social Alignment for Few-Shot Fake News Detection [50.07850264495737]
  プロンプト・アンド・アライン(Prompt-and-Align、P&A)は、数発のフェイクニュース検出のための新しいプロンプトベースのパラダイムである。 我々はP&Aが、数発のフェイクニュース検出性能をかなりのマージンで新たな最先端に設定していることを示す。
  論文  参考訳（メタデータ） (2023-09-28T13:19:43Z)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)

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。