論文の概要: Harnessing Generalist Agents for Contextualized Time Series

• arxiv url: http://arxiv.org/abs/2606.05404v1
• Date: Wed, 03 Jun 2026 20:20:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.381089
• Title: Harnessing Generalist Agents for Contextualized Time Series
• Title（参考訳）: 文脈化時系列に対する一般エージェントのハーネス化
• Authors: Zihao Li, Kaifeng Jin, Yuanchen Bei, Jiaru Zou, Avaneesh Kumar, Xuying Ning, Yanjun Zhao, Mengting Ai, Baoyu Jing, Hanghang Tong, Jingrui He,
• Abstract要約: 時系列はしばしば、全体モデリングに不可欠なリッチな文脈に埋め込まれる。 本稿では時系列のエージェントハーネスフレームワークであるTimeClawを紹介する。 TimeClawは、グラウンドドと監査可能な分析のための実行可能な時間的ツール、再利用可能な分析ルーチンを作成するためのエクスペリエンス駆動機能進化、関連する推論トレースを取得するためのエピソードマルチモーダルメモリを統合している。
• 参考スコア（独自算出の注目度）: 67.28481985993467
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time series are often embedded in rich contexts that are essential for holistic modeling. Moreover, real-world practitioners often require end-to-end workflows for analyzing temporal dynamics, where widely studied tasks such as forecasting are only one step in a broader solution loop. While generalist AI agents offer a promising interface for such workflows under complex contexts, they still operate primarily in textual spaces that are not fully aligned with structured temporal signals. In this work, we introduce TimeClaw, an agentic harness framework for time series that equips generalist LLM agents with the time series-native runtime support needed for contextualized temporal reasoning. TimeClaw integrates executable temporal tools for grounded and auditable analysis, experience-driven capability evolution for creating reusable analytical routines, and episodic multimodal memory for retrieving relevant reasoning traces. Together, these components unlock harnessed open-ended temporal reasoning with contextual information. Extensive evaluation on multiple benchmarks covering diverse tasks across energy, finance, weather, traffic, and other real-world domains demonstrates improved performance of TimeClaw. Code is available at https://github.com/iDEA-iSAIL-Lab-UIUC/TimeClaw.
• Abstract（参考訳）: 時系列はしばしば、全体モデリングに不可欠なリッチな文脈に埋め込まれる。 さらに、現実の実践者は、時間的ダイナミクスを分析するためにエンド・ツー・エンドのワークフローを必要とすることが多い。 汎用AIエージェントは、複雑なコンテキスト下でそのようなワークフローに対して有望なインターフェースを提供するが、それらは主に、構造化された時間信号に完全に整合しないテキスト空間で機能する。 本研究では,時系列の時間的推論に必要な時系列ランタイムサポートを,ジェネラリストLLMエージェントに装備した時系列用エージェントハーネスフレームワークであるTimeClawを紹介する。 TimeClawは、グラウンドドと監査可能な分析のための実行可能な時間的ツール、再利用可能な分析ルーチンを作成するためのエクスペリエンス駆動機能進化、関連する推論トレースを取得するためのエピソードマルチモーダルメモリを統合している。 これらのコンポーネントは、コンテキスト情報によるオープンエンドの時間的推論をアンロックする。 エネルギー、ファイナンス、天気、トラフィック、その他の現実世界のドメインにわたるさまざまなタスクをカバーする複数のベンチマークの大規模な評価は、TimeClawのパフォーマンスの向上を示している。 コードはhttps://github.com/iDEA-iSAIL-Lab-UIUC/TimeClawで入手できる。

関連論文リスト

• Visual Reasoning over Time Series via Multi-Agent System [36.948425602257295]
  MAS4TSは、一般的な時系列タスクのためのツール駆動型マルチエージェントシステムである。 エージェントコミュニケーション、視覚的推論、潜在的再構築を統一されたフレームワークに統合する。 幅広い時系列タスクにまたがって最先端のパフォーマンスを実現し、強力な一般化と効率的な推論を示す。
  論文  参考訳（メタデータ） (2026-02-03T02:48:57Z)
• TimeART: Towards Agentic Time Series Reasoning via Tool-Augmentation [27.695097439296948]
  TimeARTは、強力なアウトオブザボックスツールの分析能力とLarge Language Models(LLM)の推論能力を融合したフレームワークである。 LLMをベースとしたTSRM(Time Series Reasoning Models)戦略ツールの使用法を教えるため,TimeToolBenchと呼ばれる100kの専門的軌道コーパスも収集した。 TSRMの一般化能力を高めるために,我々は,TSRMの早期経験と自己回帰から学ぶことによって,TSRMを向上する4段階のトレーニング戦略を考案した。
  論文  参考訳（メタデータ） (2026-01-20T06:39:10Z)
• Enhancing Temporal Awareness in LLMs for Temporal Point Processes [53.596733432865626]
  時間的ポイントプロセス(TPP)は、時間とともにイベントを分析するのに不可欠である。 TPP-TALは、大規模な言語モデルにおける時間的推論を強化するために設計された新しいプラグイン・アンド・プレイフレームワークである。 TPP-TALは時間的確率推定と事象予測精度を大幅に改善した。
  論文  参考訳（メタデータ） (2025-12-29T03:01:24Z)
• TimeSense:Making Large Language Models Proficient in Time-Series Analysis [26.44226032396234]
  時系列領域では、テキストと時間データを組み合わせて大規模な言語モデルの推論能力を活用する作業が増えている。 テキスト推論と時間的感覚のバランスをとることで,LLMを時系列解析に熟練させるフレームワークであるTimeSenseを提案する。 TimeSenseは複数のタスクにまたがる最先端のパフォーマンスを実現し、特に複雑な多次元時系列推論タスクにおいて既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-11-09T12:00:18Z)
• Eliciting Chain-of-Thought Reasoning for Time Series Analysis using Reinforcement Learning [2.426309874608745]
  複雑な数値時系列解析は、しばしば現在のモデルの範囲を超えて多段階の推論能力を必要とする。 我々は,大規模言語モデルを訓練して,多種多様な時系列タスクに対して,検証可能な報酬付き強化学習(RL)を用いた推論を行うための,最初のフレームワークであるCOUNTS(Chain Of thought for Understanding Numerical Time Series)を紹介した。 実験により、中間CoT推論を用いたこのRL駆動方式は、様々な時系列解析タスクにおけるLLM性能を大幅に向上させ、複雑な時間的データ推論の新たな可能性を開くことを実証した。
  論文  参考訳（メタデータ） (2025-10-01T17:02:28Z)
• Augmenting LLMs for General Time Series Understanding and Prediction [2.426309874608745]
  時系列データは、医療、金融、環境科学を含む多くの重要な領域における意思決定に不可欠である。 TsLLM(Time Series-augmented LLM)を200万回以上のインターリーブされた時系列とテキストサンプルの大規模なコーパスでトレーニングする。 このトレーニングにより、TsLLMは言語理解と新たに獲得した時間的推論機能の両方を活用することができる。
  論文  参考訳（メタデータ） (2025-10-01T16:54:46Z)
• TimeCAP: Learning to Contextualize, Augment, and Predict Time Series Events with Large Language Model Agents [52.13094810313054]
  TimeCAPは、時系列データのコンテキスト化ツールとしてLarge Language Models(LLM)を創造的に利用する時系列処理フレームワークである。 TimeCAPには2つの独立したLCMエージェントが組み込まれており、1つは時系列のコンテキストをキャプチャするテキスト要約を生成し、もう1つはより情報のある予測を行うためにこのリッチな要約を使用する。 実世界のデータセットによる実験結果から,TimeCAPは時系列イベント予測の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-17T04:17:27Z)
• Position: What Can Large Language Models Tell Us about Time Series Analysis [69.70906014827547]
  現在の大規模言語モデル(LLM)は時系列解析に革命をもたらす可能性があると我々は主張する。 このような進歩は、時系列のモダリティスイッチングや質問応答など、幅広い可能性を解き放つ可能性がある。
  論文  参考訳（メタデータ） (2024-02-05T04:17:49Z)

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。