論文の概要: CastFSR: A Fast--Slow--Reflect Agentic Reasoning Framework for Context-Aware Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2608.03031v1
• Date: Tue, 04 Aug 2026 02:21:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.997322
• Title: CastFSR: A Fast--Slow--Reflect Agentic Reasoning Framework for Context-Aware Time Series Forecasting
• Title（参考訳）: CastFSR: コンテキスト対応時系列予測のための高速-スロー-リフレクションエージェント推論フレームワーク
• Authors: Xiaoyu Tao, Mingyue Cheng, Bokai Pan, Chuang Jiang, Huanjian Zhang, Tian Gao, Yaguo Liu, Qi Liu, Enhong Chen,
• Abstract要約: CastFSRは、コンテキスト認識予測をFast-Slow-Reflect--ワークフローとして定式化するエージェントフレームワークである。 コンテキスト証拠を検索し、情報的なルックバックウィンドウを適応的に決定し、コンテキストが将来のダイナミクスをどう形作るのかを判断する。 予測を反復的に洗練し、時間的、コンテキスト的、ドメイン整合性を保証する。
• 参考スコア（独自算出の注目度）: 55.05716348844572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting is fundamental to decision-making in complex systems, where future dynamics are influenced not only by historical observations but also by evolving contextual features. Recent advances in large language models (LLMs) have extended forecasting beyond numerical extrapolation toward context-aware reasoning. However, existing approaches often lack explicit mechanisms to identify relevant contexts, reason about their impacts, and validate forecasts against temporal and domain constraints. In this work, we propose CastFSR, an agentic framework that formulates context-aware forecasting as a Fast--Slow--Reflect workflow. In fast thinking, CastFSR profiles observations and selects lightweight forecasters to construct a data-driven forecast prior. In slow deliberation, it retrieves contextual evidence, adaptively determines informative look-back windows, and reasons about how contexts reshape future dynamics. In reflection, it iteratively refines forecasts to ensure temporal, contextual, and domain consistency. CastFSR supports both training-free inference with off-the-shelf LLMs and efficient deployment through a two-stage SFT and reinforcement learning strategy that transfers its orchestration capability to compact LLMs. Extensive experiments on public datasets demonstrate that CastFSR consistently outperforms representative baselines. Our code is available at https://github.com/Xiaoyu-Tao/CastFSR.
• Abstract（参考訳）: 時系列予測は、未来の力学が歴史的観察だけでなく、文脈的特徴の進化によっても影響される複雑なシステムにおける意思決定に不可欠である。 大規模言語モデル(LLM)の最近の進歩は、文脈認識推論への数値外挿を超えて予測を拡張している。 しかしながら、既存のアプローチには、関連するコンテキストを特定し、その影響を判断し、時間的およびドメイン的制約に対する予測を検証するための明確なメカニズムが欠如していることが多い。 本研究では,Fast-Slow-Reflectワークフローとしてコンテキスト認識予測を定式化するエージェントフレームワークであるCastFSRを提案する。 迅速な思考では、CastFSRは観測をプロファイルし、以前のデータ駆動予測を構築するために軽量な予測器を選択する。 緩やかな議論では、文脈的証拠を回収し、情報的なルックバックウィンドウを適応的に決定し、コンテキストが将来のダイナミクスをどう形作るかを説明する。 リフレクションでは、予測を反復的に洗練し、時間的、文脈的、ドメイン整合性を保証する。 CastFSRは、既製のLLMによるトレーニングフリー推論と、2段階のSFTと、そのオーケストレーション能力をコンパクトなLLMに転送する強化学習戦略による効率的なデプロイメントの両方をサポートしている。 公開データセットに関する大規模な実験は、CastFSRが代表ベースラインを一貫して上回っていることを示している。 私たちのコードはhttps://github.com/Xiaoyu-Tao/CastFSR.comで公開されています。

関連論文リスト

• LLM as Forecasting Planner: Training-Free Text Conditioning for Time-Series Foundation Models [7.741162056503623]
  時系列基礎モデル(TSFM)は強い数値予測を提供するが、大きな言語モデル(LLM)はテキスト上で推論できる。 我々は、TSFM生成軌道上での予測を計画問題として定式化する。 これをrc(textbfLLM textbfAs textbfForecasting textbfPlanner)としてインスタンス化する。
  論文  参考訳（メタデータ） (2026-07-27T15:02:40Z)
• Nexus : An Agentic Framework for Time Series Forecasting [72.73790673303154]
  時系列予測は、ニュースやイベントのような構造化されていないコンテキストデータによる推論を必要とする。 予測を特殊なステージに分解するマルチエージェント予測フレームワークであるNexusを紹介します。 本研究では,現在のLLMは,従来よりも強い固有予測能力を有することを示す。
  論文  参考訳（メタデータ） (2026-05-14T05:12:13Z)
• CastFlow: Learning Role-Specialized Agentic Workflows for Time Series Forecasting [74.29761960394848]
  大規模言語モデル(LLM)のための動的エージェント予測フレームワークであるCastFlowを提案する。 CastFlowは予測プロセスを計画、アクション、予測、リフレクションに編成し、エージェントワークフローを確立する。 第3に、CastFlowは、汎用推論と特殊な数値予測を組み合わせたロール特殊化設計を採用する。
  論文  参考訳（メタデータ） (2026-04-30T13:24:42Z)
• From Observations to States: Latent Time Series Forecasting [65.98504021691666]
  本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。 具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。 提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
  論文  参考訳（メタデータ） (2026-01-30T20:39:44Z)
• Can Slow-thinking LLMs Reason Over Time? Empirical Studies in Time Series Forecasting [17.73769436497384]
  時系列予測(TSF)は、古典的な統計的アプローチから現代のディープラーニングやマルチモーダル言語モデリングまで、基礎的で広く研究されている課題である。 一方、ゆっくり考え始めるLSMは、様々な領域にまたがる印象的な多段階推論能力を示している。 スロー思考のLLMは、時系列予測をサポートするために時間的パターンよりも効果的に推論できるのか?
  論文  参考訳（メタデータ） (2025-05-30T12:19:02Z)
• LLM-PS: Empowering Large Language Models for Time Series Forecasting with Temporal Patterns and Semantics [56.99021951927683]
  Time Series Forecasting (TSF) は、金融計画や健康モニタリングなど、多くの現実世界のドメインにおいて重要である。 既存のLarge Language Models (LLM) は通常、時系列データ固有の特性を無視するため、非最適に実行する。 時系列データから基本的なtextitPatterns と有意義な textitSemantics を学習し,TLF のための LLM-PS を提案する。
  論文  参考訳（メタデータ） (2025-03-12T11:45:11Z)

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。