論文の概要: ReasonCast: Towards Explainable Time Series Forecasting with Reasoning
- arxiv url: http://arxiv.org/abs/2608.01875v1
- Date: Mon, 03 Aug 2026 08:21:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.405496
- Title: ReasonCast: Towards Explainable Time Series Forecasting with Reasoning
- Title（参考訳）: ReasonCast: Reasoningによる説明可能な時系列予測を目指して
- Abstract要約: ほとんどの時系列モデル(TS)は単一のタスクに特化しており、理解(TSに関するテキストの回答を返す)か世代(数値予測を返す)のいずれかである。
本稿では,1)予測(世代)と2)自己説明(理解)を共同で生成するタスク融合モデルについて論じる。
我々は,2つのタスクを共同で処理するベンチマークとレシピを提示する。LLMを微調整して両タスクを共同実行するためのレシピであるReasonCastは,推論チェーンと予測を1つの自己回帰パスで生成するモデルを生成する。
- 参考スコア（独自算出の注目度）: 13.359564942661251
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Most time series (TS) models are specialized for a single task, either understanding (i.e., returning text answers about a TS) or generation (i.e., returning a numeric forecast). Only recently have unified models begun to handle the two within a single architecture. Even these models, however, produce the two outputs as task-separated paths and cannot predict a series and explain why that prediction arises within a single coherent response. In this paper, we argue for a task-fused model that jointly produces 1) prediction (generation) and 2) selfexplanation (understanding), thereby integrating 1) numerical TS forecasting and 2) interpretable text reasoning within a single response. To enable the systematic study of this capability, we present both a benchmark and a recipe that jointly address the two tasks. The benchmark, ReasonTS-Bench, identifies five fundamental patterns underlying TS and enables the joint evaluation of both tasks. ReasonCast, our recipe for finetuning any LLM to perform both tasks jointly, yields a model that generates a reasoning chain and a forecast together in a single autoregressive pass. Extensive experiments show that ReasonCast outperforms both LLMs and TS models on prediction accuracy while producing verifiable, causal reasoning. Code is available at: https://github.com/seunghan96/reasoncast.
- Abstract（参考訳）: ほとんどの時系列モデル(TS)は単一のタスクに特化しており、理解(TSに関するテキストの回答を返す)か生成(数値予測を返す)のいずれかである。
たった最近になって、単一のアーキテクチャ内で2つのモデルを扱うようになった。
しかし、これらのモデルでさえ、2つの出力をタスク分離された経路として生成し、シリーズを予測できず、なぜその予測が単一一貫性の応答内で起こるのかを説明できない。
本稿では,共同で生成するタスクフューズモデルについて論じる。
1)予測(世代)及び
2【自己説明】 統合
1)数値TS予測と数値TS予測
2)単一応答内での解釈可能なテキスト推論。
この能力を体系的に研究するために,2つの課題に共同で対処するベンチマークとレシピを提示する。
ベンチマークであるReasonTS-Benchは、TSの基礎となる5つの基本的なパターンを特定し、両方のタスクを共同で評価することを可能にする。
LLMを微調整して両方のタスクを共同実行するためのレシピであるReasonCastは、推論チェーンと予測を1つの自己回帰パスで生成するモデルを生成する。
大規模な実験により、ReasonCastは、検証可能な因果推論を生成しながら、予測精度においてLLMとTSの両方のモデルより優れていることが示された。
コードは、https://github.com/seunghan96/reasoncast.comで入手できる。
関連論文リスト
- Mechanistic Interpretability of Structure-Aware Numerical Reasoning in LLaMA 3.1 8B [51.10897657510313]
大規模言語モデル (LLM) は, 時系列予測において強い数値シーケンスモデリング能力を示し, 将来性を示す。
機械的解釈可能性の観点からLlama 3.1-8Bについて検討する。
Llamaはタスクに強いパフォーマンスを示し、基盤となる構造を拾えることを示唆しています。
論文 参考訳（メタデータ） (2026-08-19T01:09:51Z) - TopBench: A Benchmark for Implicit Prediction and Reasoning over Tabular Question Answering [80.93487993878836]
現実世界のクエリの一般的なクラスは暗黙的に予測され、単に検索するのではなく、歴史的パターンから観測されていない回答を推測する必要がある。
これらのクエリには、潜在意図を認識することと、大規模テーブル上での信頼性の高い予測推論という2つの課題がある。
単点予測から意思決定,処理効果分析,複雑な推論に至るまで,4つのサブタスクにわたる779のサンプルからなるベンチマークであるTopBenchを紹介する。
論文 参考訳（メタデータ） (2026-04-30T16:22:51Z) - UniT: Unified Multimodal Chain-of-Thought Test-time Scaling [85.590774707406]
統一モデルは単一のアーキテクチャ内でマルチモーダル理解と生成の両方を扱うことができるが、通常は出力を反復的に書き換えることなく単一のパスで操作する。
マルチモーダルなテストタイムスケーリングのためのフレームワークであるUniTを導入し、単一の統一モデルで複数のラウンドをまたいだ推論、検証、精査を可能にします。
論文 参考訳（メタデータ） (2026-02-12T18:59:49Z) - Shape of Thought: When Distribution Matters More than Correctness in Reasoning Tasks [24.55929874173401]
より有能なモデルからの連鎖トレースのデータセットをトレーニングすることで、言語モデルの推論能力を向上させることができることを示す。
実験により、このアプローチは人間の注釈付きデータセットのトレーニングよりも推論タスクのパフォーマンスが向上することが示された。
論文 参考訳（メタデータ） (2025-12-24T07:35:55Z) - Spatial Reasoning with Denoising Models [49.83744014336816]
本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。
初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。
これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
論文 参考訳（メタデータ） (2025-02-28T14:08:30Z) - Unveiling Reasoning Thresholds in Language Models: Scaling, Fine-Tuning, and Interpretability through Attention Maps [3.8936716676293917]
本研究では,異なるモデルサイズと訓練データを持つデコーダのみの変換言語モデルのコンテキスト内学習能力について検討する。
我々は,複数の質問応答におけるコモンセンス推論や帰納的推論といったタスクにおいて,推論性能が著しく向上する重要なパラメータしきい値(160億)を同定する。
論文 参考訳（メタデータ） (2025-02-21T00:48:32Z) - Single-Stage Visual Relationship Learning using Conditional Queries [60.90880759475021]
TraCQは、マルチタスク学習問題とエンティティペアの分布を回避する、シーングラフ生成の新しい定式化である。
我々は,DETRをベースとしたエンコーダ-デコーダ条件付きクエリを用いて,エンティティラベル空間を大幅に削減する。
実験結果から、TraCQは既存のシングルステージシーングラフ生成法よりも優れており、Visual Genomeデータセットの最先端の2段階メソッドを多く上回っていることがわかった。
論文 参考訳（メタデータ） (2023-06-09T06:02:01Z) - A Generative Language Model for Few-shot Aspect-Based Sentiment Analysis [90.24921443175514]
我々は、アスペクト項、カテゴリを抽出し、対応する極性を予測するアスペクトベースの感情分析に焦点を当てる。
本稿では,一方向の注意を伴う生成言語モデルを用いて,抽出タスクと予測タスクをシーケンス生成タスクに再構成することを提案する。
提案手法は,従来の最先端(BERTをベースとした)の性能を,数ショットとフルショットの設定において,大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-04-11T18:31:53Z) - FairCanary: Rapid Continuous Explainable Fairness [8.362098382773265]
本稿では,新しいモデルバイアス量化尺度であるQuantile Demographic Drift(QDD)を提案する。
QDDは継続的な監視シナリオに最適であり、従来のしきい値ベースのバイアスメトリクスの統計的制限に悩まされない。
QDDをFairCanaryと呼ばれる継続的モデル監視システムに組み込み、各予測毎に計算された既存の説明を再利用します。
論文 参考訳（メタデータ） (2021-06-13T17:47:44Z) - FiD-Ex: Improving Sequence-to-Sequence Models for Extractive Rationale
Generation [19.73842483996047]
本研究では,セq2seqモデルの欠点に対処するFiD-Exを開発した。
FiD-Exは、ERASER説明可能性ベンチマークの複数のタスクにおける説明基準とタスク精度の観点から、以前の作業よりも大幅に改善されている。
論文 参考訳（メタデータ） (2020-12-31T07:22:15Z) - Leakage-Adjusted Simulatability: Can Models Generate Non-Trivial
Explanations of Their Behavior in Natural Language? [86.60613602337246]
我々はNL説明を評価するためのリーク調整シミュラビリティ(LAS)指標を提案する。
LASは、どのように説明が直接アウトプットをリークするかを制御しながら、オブザーバがモデルのアウトプットを予測するのに役立つかを計測する。
マルチエージェントゲームとしての説明文生成を行い、ラベルリークをペナライズしながら、シミュラビリティの説明を最適化する。
論文 参考訳（メタデータ） (2020-10-08T16:59:07Z)
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。