論文の概要: Traceable Multi-Agent System for Knowledge-Based Forecasting

• arxiv url: http://arxiv.org/abs/2608.03339v1
• Date: Tue, 04 Aug 2026 08:49:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.10405
• Title: Traceable Multi-Agent System for Knowledge-Based Forecasting
• Title（参考訳）: 知識ベース予測のためのトレース可能なマルチエージェントシステム
• Abstract要約: TraceMASは、トレース可能なマルチエージェント予測のためのインタラクティブなデモシステムである。 本稿では,自律型予測エージェントが,エビデンス・ツー・プレイス・プロセスの検査を可能にしながら,柔軟性を維持する方法を示す。
• 参考スコア（独自算出の注目度）: 5.685168255773527
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Enterprise forecasting increasingly relies on autonomous agents that interpret documents, search for data, generate code, and revise models. While this autonomy helps build adaptive forecasting pipelines, it also makes it difficult for practitioners to inspect why a forecast changed, which evidence supported the change, and how data and modeling choices were revised. We present TraceMAS, an interactive demo system for traceable multi-agent forecasting. TraceMAS organizes agent outputs around two causal-loop representations: an Ideal Causal Loop Diagram (Ideal CLD), which captures key factors and their causal relations extracted from domain documents, and a Data-Grounded Causal Loop Diagram (Data-Grounded CLD), which links those factors to internal variables, external data, or documented proxies. The Data-Grounded CLD guides feature construction and model design while preserving the connection between textual evidence, data choices, and model revisions. We demonstrate TraceMAS on crude oil price forecasting. The demo interface allows users to compare forecasting iterations, inspect agent-level revisions, explore causal maps, review feature-data mappings and model architecture, and connect scenario forecasts to market narratives. This demonstration shows how autonomous forecasting agents can retain flexibility while making the evidence-to-forecast process inspectable.
• Abstract（参考訳）: 企業予測は、ドキュメントの解釈、データ検索、コード生成、モデル修正といった自律的なエージェントにますます依存しています。 この自律性は適応的な予測パイプラインの構築に役立つが、なぜ予測が変更されたのか、どのエビデンスが変更を支持したのか、データとモデリングの選択をどのように修正したのかを調べることも難しい。 トレース可能なマルチエージェント予測のための対話型デモシステムであるTraceMASを提案する。 TraceMASは2つの因果ループ表現(Ideal Causal Loop Diagram (Ideal CLD)、ドメイン文書から抽出された主要な因子とその因果関係をキャプチャするIdeal Causal Loop Diagram (Data-Grounded CLD)と、それらの因子を内部変数、外部データ、ドキュメントプロキシにリンクするData-Grounded Causal Loop Diagram (Data-Grounded CLD)のエージェント出力を編成する。 Data-Grounded CLDガイドは、テキストエビデンス、データ選択、モデルリビジョンの接続を維持しながら、構成とモデル設計を特徴付ける。 我々は原油価格の予測についてTraceMASを実証する。 デモインターフェースでは、予測イテレーションの比較、エージェントレベルのリビジョンの検査、因果マップの探索、特徴データマッピングとモデルアーキテクチャのレビュー、シナリオ予測と市場の物語の接続が可能になる。 このデモンストレーションは、自律的な予測エージェントが、エビデンス・ツー・予測プロセスを検査可能にしながら、柔軟性を維持する方法を示している。

関連論文リスト

• UModel: An Agent-Ready Observability Data Modeling Method at Scale [25.076726153200084]
  データ中心のモデリングからオブジェクト中心のモデリングへ可観測性をシフトする統一的なオントロジフレームワークであるUModelを提案する。 UModelを使用して"AIOps 2025 Challenge"データセットを再モデル化することで、根本原因のローカライゼーションの精度が8%向上した。 UModelは数万のユーザに仕え、毎秒数百万のオペレーションを持続し、秒未満のクエリレイテンシを提供する。
  論文  参考訳（メタデータ） (2026-06-03T12:25:50Z)
• Agentic Insight Generation in VSM Simulations [4.626393563516877]
  本稿では,バリューストリームマップシミュレーションのための分離された2段階のエージェントアーキテクチャを提案する。 データ分析からオーケストレーションを分離することで、システムはドメインエキスパートの知識を取り入れた進歩的なデータ発見を活用する。 複数の最先端の大規模言語モデルの成果は、フレームワークの生存可能性を示している。
  論文  参考訳（メタデータ） (2026-04-14T08:11:53Z)
• Language Model Maps for Prompt-Response Distributions via Log-Likelihood Vectors [7.455546102930913]
  本稿では,プロンプト応答対上での対数類似ベクトルによる言語モデル表現法を提案し,条件分布を比較するためのモデルマップを構築した。 公開言語モデルの大規模なコレクションの実験は、地図が意味のあるグローバル構造を捉えていることを示している。 このフレームワークは入力依存モデル行動の分析をサポートする。
  論文  参考訳（メタデータ） (2026-03-19T08:02:06Z)
• Every Step Counts: Decoding Trajectories as Authorship Fingerprints of dLLMs [63.82840470917859]
  本稿では,dLLMの復号化機構をモデル属性の強力なツールとして利用できることを示す。 本稿では、デコードステップ間の構造的関係を捉え、モデル固有の振る舞いをよりよく明らかにする、DDM(Directed Decoding Map)と呼ばれる新しい情報抽出手法を提案する。
  論文  参考訳（メタデータ） (2025-10-02T06:25:10Z)
• Integrating AI and Ensemble Forecasting: Explainable Materials Planning with Scorecards and Trend Insights for a Large-Scale Manufacturer [0.45687771576879593]
  本稿では,アフターセール需要予測とモニタリングのための実用的アーキテクチャを提案する。 統計モデル、機械学習モデル、ディープラーニングモデルの、収益とクラスタ対応のアンサンブルを統合する。 システムは90か国以上、約6,000の部品の予測、監視、在庫決定のループを閉じる。
  論文  参考訳（メタデータ） (2025-10-01T15:14:10Z)
• Transformers Use Causal World Models in Maze-Solving Tasks [49.67445252528868]
  我々は迷路解決タスクで訓練されたトランスフォーマーで世界モデルを特定する。 機能を抑圧するよりも、機能をアクティベートする方が簡単であることが分かりました。 位置符号化方式は、モデルの残留ストリーム内でのワールドモデルがどのように構成されているかに影響を与えるように見える。
  論文  参考訳（メタデータ） (2024-12-16T15:21:04Z)
• GenDFIR: Advancing Cyber Incident Timeline Analysis Through Retrieval Augmented Generation and Large Language Models [0.08192907805418582]
  デジタル法医学とインシデント応答(DFIR)におけるサイバータイムライン解析の重要性 伝統的な手法は、証拠の識別と特徴抽出のためにログやメタデータのような構造化された成果物に依存している。 本稿では,大規模言語モデル(LLM)を利用したフレームワークであるGenDFIR,特にゼロショットモードのLlama 3.1 8Bについて紹介し,Retrieval-Augmented Generation (RAG)エージェントと統合する。
  論文  参考訳（メタデータ） (2024-09-04T09:46:33Z)
• Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
  そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。 本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
  論文  参考訳（メタデータ） (2024-08-24T18:28:19Z)
• AgentOhana: Design Unified Data and Training Pipeline for Effective Agent Learning [98.26836657967162]
  textbfAgentOhanaは、さまざまなシナリオにまたがって、異なる環境からエージェントのトラジェクトリを集約する。 AIエージェント用に調整された大規模なアクションモデルである textbfxLAM-v0.1 は、さまざまなベンチマークで例外的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-23T18:56:26Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Bring Your Own Data! Self-Supervised Evaluation for Large Language Models [52.15056231665816]
  大規模言語モデル(LLM)の自己教師型評価のためのフレームワークを提案する。 閉書知識,毒性,長期文脈依存性を測定するための自己指導型評価戦略を実証する。 自己監督評価と人監督評価との間には強い相関関係が認められた。
  論文  参考訳（メタデータ） (2023-06-23T17:59:09Z)

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。