論文の概要: Towards Verifiable Agentic Data Science: Solving Irregular TSQA Via Tool-Grounded Reasoning

• arxiv url: http://arxiv.org/abs/2606.15107v1
• Date: Sat, 13 Jun 2026 04:41:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.846498
• Title: Towards Verifiable Agentic Data Science: Solving Irregular TSQA Via Tool-Grounded Reasoning
• Title（参考訳）: エージェントデータ科学の検証に向けて:ツール群推論による不規則TSQAの解決
• Authors: Sanhorn Chen, Xiaoyang Chen, Boyu Liu, Roy Zhao,
• Abstract要約: IRTS-ToolBenchは13ドメインにわたる10のタスクタイプにまたがる1,700の質問のベンチマークである。 IRTS-ToolBenchは、LLMベースの不規則時系列解析に取り組んでいる研究者によって独立して使用されるように設計されている。
• 参考スコア（独自算出の注目度）: 5.7699487214825185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series data in real-world deployments is overwhelmingly irregular. Observations are asynchronous, missing values are informative rather than random, and sampling frequencies vary across sensors and operational windows. However, existing Time Series Question Answering (TSQA) benchmarks mostly assume regularly sampled inputs, leaving a fundamental gap in understanding how large language models (LLMs) and AI agents perform under irregular conditions. To bridge this gap, we introduce IRTS-ToolBench, a benchmark of 1,700 questions spanning 10 task types across 13 domains. IRTS-ToolBench is designed to be used independently by any researcher working on LLM-based irregular time series analysis, providing standardized inputs and a reproducible evaluation protocol. Code can be found in https://github.com/SanhornC/IRTS-ToolBench.
• Abstract（参考訳）: 実世界の展開における時系列データは圧倒的に不規則である。 観測は非同期であり、欠落した値はランダムではなく情報であり、サンプリング頻度はセンサーや運用窓によって異なる。 しかしながら、既存の時系列質問回答(TSQA)ベンチマークは主に定期的にサンプル入力を仮定し、大きな言語モデル(LLM)とAIエージェントが不規則な条件下でどのように機能するかを理解する基本的なギャップを残している。 このギャップを埋めるために、IRTS-ToolBenchを紹介します。 IRTS-ToolBenchは、標準入力と再現可能な評価プロトコルを提供するLLMベースの不規則時系列分析に取り組んでいる研究者によって独立して使用されるように設計されている。 コードはhttps://github.com/SanhornC/IRTS-ToolBenchにある。

関連論文リスト

• QuITE: Query-Based Irregular Time Series Embedding [0.0]
  IMTS用の簡易かつ効果的なプラグアンドプレイ埋め込みモジュールQuITE(Query-Based Irregular Time Series Embedding)を紹介する。 QuITEは学習可能なクエリトークンを使用して、単一の自己アテンション層を通じて不規則な観測を集約する。 実験の結果、QuITEはMCSモデルを継続的に改善し、予測値の平均相対利得は54.7%、分類値が15.8%である。
  論文  参考訳（メタデータ） (2026-05-27T08:48:58Z)
• TSAQA: Time Series Analysis Question And Answering Benchmark [85.35545785252309]
  時系列データは、金融、医療、交通、環境科学といった分野における重要な応用に不可欠である。 TSAQAはタスクカバレッジを拡大し、多様な時間的分析能力を評価するために設計された新しい統合ベンチマークである。
  論文  参考訳（メタデータ） (2026-01-30T17:28:56Z)
• TSRBench: A Comprehensive Multi-task Multi-modal Time Series Reasoning Benchmark for Generalist Models [52.21298691935726]
  時系列で推論する能力は、ジェネラリストモデルが現実的な問題を解決するための基本的なスキルである。 このギャップを埋めるために、時系列推論機能の全スペクトルをストレステストするために設計された総合的なベンチマークであるTSRBenchを紹介する。
  論文  参考訳（メタデータ） (2026-01-26T18:04:54Z)
• When LLM Meets Time Series: Can LLMs Perform Multi-Step Time Series Reasoning and Inference [12.867006554196358]
  我々は、時系列AIアシスタントとしてLarge Language Modelsを評価する最初の試みであるTSAIAベンチマークを紹介する。 このベンチマークには、制約認識予測からしきい値校正による異常検出まで、幅広い課題が含まれている。 このベンチマークを適用し、統一評価プロトコルの下で8つの最先端LCMを評価する。
  論文  参考訳（メタデータ） (2025-09-01T22:58:57Z)
• Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback [55.284574165467525]
  Time-RA(Time-Series Reasoning for Anomaly)は、時系列異常検出を生成的、推論集約的なタスクに変換する。 また,実世界のマルチモーダルベンチマークデータセットであるRATs40Kを導入する。
  論文  参考訳（メタデータ） (2025-07-20T18:02:50Z)
• Robust Group Anomaly Detection for Quasi-Periodic Network Time Series [47.60720976101336]
  本稿では,ネットワーク時系列データベース内の異常で興味深い時系列を識別するフレームワークを提案する。 本稿では,Seq2GMMモデルを効率よく学習できるサロゲートに基づく最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-06-20T08:11:04Z)
• Irregularity-Informed Time Series Analysis: Adaptive Modelling of Spatial and Temporal Dynamics [16.042723132364696]
  不規則時系列データ(IRTS)はNatural Irregular Time Series(NIRTS)とAccidental Irregular Time Series(AIRTS)の2種類に分けられる。 本稿では, IRTS を局所性, 時間, 時空間, 不規則性という 4 つの視点から扱う, 一般的な不規則時系列データのためのトランスフォーマーベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-16T05:52:25Z)
• TimeSeriesBench: An Industrial-Grade Benchmark for Time Series Anomaly Detection Models [21.658019069964755]
  時系列異常検出(TSAD)は実世界の応用により注目されている。 TSADが現実のデプロイメントの要件を満たすことができるかどうかを検証する効果的な方法はない。 本稿では,既存のアルゴリズムの性能を評価するため,産業用ベンチマークTimeSeriesBenchを提案する。
  論文  参考訳（メタデータ） (2024-02-16T16:25:20Z)
• Align Your Prompts: Test-Time Prompting with Distribution Alignment for Zero-Shot Generalization [64.62570402941387]
  テスト領域のギャップを埋めるために、機能分散シフトを最小限にして、テスト時にマルチモーダルプロンプトを適用するために、単一のテストサンプルを使用します。 提案手法は,既存のプロンプト学習技術以上のゼロショットトップ1精度を向上し,ベースラインのMaPLeよりも3.08%向上した。
  論文  参考訳（メタデータ） (2023-11-02T17:59:32Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。