論文の概要: Using LLMs for Explainable, Data-Driven Insight Generation from Time Series

• arxiv url: http://arxiv.org/abs/2607.18271v1
• Date: Thu, 04 Jun 2026 21:20:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:38.914113
• Title: Using LLMs for Explainable, Data-Driven Insight Generation from Time Series
• Title（参考訳）: LLMを用いた時系列からの説明可能なデータ駆動インサイト生成
• Abstract要約: 時系列予測のための接地型自然言語説明生成のためのドメインに依存しないフレームワークを提案する。 このフレームワークは, (i) 歴史的アナリストによる説明書からの構造化説明因子の抽出, (ii) 証拠条件による説明生成, (iii) 可読性, 論理的整合性, 説得性に関するスケーラブルな評価の3つの構成要素から構成される。
• 参考スコア（独自算出の注目度）: 1.4656201740804355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasts are widely used in decision-critical domains, where they are rarely consumed without accompanying explanations. Producing such explanations is usually a manual and costly process, and attempts to automate it using large language models often suffer from hallucination when applied to temporal data. We propose a domain-agnostic framework for grounded natural language explanation generation for time series forecasts, illustrated in Figure 1. The framework consists of three components: (i) extraction of structured explanatory factors from historical analyst-written explanations, (ii) evidence-conditioned explanation generation, and (iii) scalable evaluation for readability, logical consistency, and persuasiveness. The design explicitly constrains generation to verifiable evidence, reducing unsupported claims. We evaluate the framework on a financial forecasting case study involving the NASDAQ-100 index and a freight pricing case study using data from Vortexa. Results show that generated explanations approached analyst-written explanations in terms of readability, consistency and persuasiveness. These findings demonstrate that grounded explanation generation for time series forecasting can be achieved at scale without domain-specific fine-tuning.
• Abstract（参考訳）: 時系列予測は決定クリティカルな領域で広く使われており、説明を伴わずに消費されることは滅多にない。 このような説明の作成は通常手動でコストがかかるプロセスであり、大きな言語モデルを使って自動化しようとすると、時間的データに適用すると幻覚に悩まされることが多い。 図1に示すように、時系列予測のための基底自然言語説明生成のためのドメインに依存しないフレームワークを提案する。 フレームワークは3つのコンポーネントで構成されています。 一 歴史アナリストによる説明書からの構造化説明因子の抽出 二 証拠条件説明生成、及び (3)可読性、論理的一貫性、説得性に対するスケーラブルな評価。 この設計は、証拠を検証し、支持できない主張を減らし、生成を明示的に制限する。 我々はNASDAQ-100指数とVortexaのデータを用いた貨物価格ケーススタディを含む金融予測ケーススタディの枠組みを評価する。 その結果, 可読性, 一貫性, 説得性の観点から, アナリストによる説明に近づいた。 これらの結果から,時間系列予測のための基礎的な説明生成は,ドメイン固有の微調整を伴わずに大規模に実現できることが示された。

関連論文リスト

• Towards A Unified Information Bottleneck Framework for Time Series Explanations [27.646760316510356]
  既存の説明者は、自明な解や分布シフトに対して脆弱であることを示す。 本稿では、帰属と反実的推論を橋渡しする、説明可能な時系列学習のための統一目的関数を提案する。 我々の定式化は、自明な説明やアウト・オブ・ディストリビューションのカウンターファクトを明示的に防ぐ。
  論文  参考訳（メタデータ） (2026-08-26T15:14:52Z)
• NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates [2.0320459617688793]
  時系列予測モデルは、ハイテイクな設定で広く使われている。 既存のポストホック法はしばしば時間的依存を無視し、地平線固有の説明を提供しない。 本稿では,各予測地平線を時間的関係のある歴史的遅れに寄与させることで予測予測を説明するモデルに依存しない説明可能性フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-25T19:14:12Z)
• AdapTime: Enabling Adaptive Temporal Reasoning in Large Language Models [65.97075015662318]
  AdapTimeは適応的な時間的推論手法であり、入力コンテキストに基づいて推論ステップを動的に実行する。 最先端のLCMとシームレスに統合され、外部サポートに頼ることなく、時間的推論能力を大幅に向上する。
  論文  参考訳（メタデータ） (2026-04-27T08:34:40Z)
• Priors in Time: Missing Inductive Biases for Language Model Interpretability [58.07412640266836]
  スパースオートエンコーダは、時間とともに概念の独立を前提としており、定常性を暗示している。 本稿では,時間的帰納バイアスを持つ新たな解釈可能性目標である時間的特徴分析を導入し,その表現を2つの部分に分解する。 私たちの結果は、堅牢な解釈可能性ツールの設計において、データにマッチする帰納的バイアスの必要性を浮き彫りにしています。
  論文  参考訳（メタデータ） (2025-11-03T18:43:48Z)
• XForecast: Evaluating Natural Language Explanations for Time Series Forecasting [72.57427992446698]
  時系列予測は、特に正確な予測に依存するステークホルダーにとって、意思決定を支援する。 伝統的に説明可能なAI(XAI)メソッドは、機能や時間的重要性を基盤とするものであり、専門家の知識を必要とすることが多い。 時系列データにおける複雑な因果関係のため,予測NLEの評価は困難である。
  論文  参考訳（メタデータ） (2024-10-18T05:16:39Z)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)
• The Unreliability of Explanations in Few-Shot In-Context Learning [50.77996380021221]
  我々は、テキスト上の推論、すなわち質問応答と自然言語推論を含む2つのNLPタスクに焦点を当てる。 入力と論理的に整合した説明は、通常より正確な予測を示す。 本稿では,説明の信頼性に基づいてモデル予測を校正する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-05-06T17:57:58Z)
• Explainability in Process Outcome Prediction: Guidelines to Obtain Interpretable and Faithful Models [77.34726150561087]
  本稿では、プロセス結果予測の分野における説明可能性モデルと説明可能性モデルの忠実性を通して、説明可能性を定義する。 本稿では,イベントログの仕様に基づいて適切なモデルを選択することのできる,X-MOPというガイドラインのセットを提案する。
  論文  参考訳（メタデータ） (2022-03-30T05:59:50Z)

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。