論文の概要: EvoTS-Agent: A Self-Evolving LLM Agent for Financial Time Series Change Point Detection

• arxiv url: http://arxiv.org/abs/2608.17933v1
• Date: Tue, 18 Aug 2026 15:55:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.39309
• Title: EvoTS-Agent: A Self-Evolving LLM Agent for Financial Time Series Change Point Detection
• Title（参考訳）: EvoTS-Agent:金融時系列変化点検出のための自己進化型LLMエージェント
• Abstract要約: EvoTS-Agentは、自律的な金融時系列変更点検出のための検証誘導型自己進化型LLMエージェントである。 EvoTS-Agentは、100%の実行成功率を維持しながら、既存のLLMエージェントよりも一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 13.71748862936038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Financial time series exhibit non-stationary and heterogeneous statistical properties, making change-point detection challenging because no single unsupervised algorithm performs consistently across assets and market regimes. Conventional workflows consequently depend heavily on expert-driven model selection, feature design, and hyperparameter tuning, limiting their scalability and adaptability. We propose EvoTS-Agent, a validation-guided self-evolving LLM agent for autonomous financial time-series change-point detection. EvoTS-Agent first performs curated exploratory data analysis to characterize dataset properties and initialize candidate detection models. It then evolves executable experiment trajectories through three complementary operators: \textit{Revision} exploits the current best solution, \textit{Alternative Strategy} explores fundamentally different modeling directions when progress stagnates, and \textit{Recombination} synthesizes complementary evidence from high-performing trajectories. Validation feedback guides trajectory evolution throughout the search, enabling the agent to adapt its detection pipeline to the statistical characteristics of each dataset while preserving reliable optimization. Experiments across four benchmark datasets demonstrate that EvoTS-Agent consistently outperforms existing LLM-based agents while maintaining a 100\% execution success rate across all evaluated backbone LLMs.
• Abstract（参考訳）: 金融時系列は、非定常的かつ異質な統計特性を示しており、単一の教師なしアルゴリズムが資産や市場体制で一貫して機能しないため、変化点検出が困難である。 従来のワークフローは、専門家主導のモデル選択、機能設計、ハイパーパラメータチューニングに大きく依存し、スケーラビリティと適応性を制限する。 本稿では,自律型金融時系列変更点検出のための自己進化型LDMエージェントであるEvoTS-Agentを提案する。 EvoTS-Agentはまず、データセット特性を解析し、候補検出モデルを初期化するキュレートされた探索データ分析を実行する。 その後、次の3つの相補的作用素を通して実行可能な実験軌跡を進化させる: \textit{Revision} は現在の最良の解を利用し、 \textit{Alternative Strategy} は進行が停滞するときに根本的に異なるモデリング方向を探索し、 \textit{Recombination} は高い性能の軌跡から相補的証拠を合成する。 バリデーションフィードバックは、検索全体の軌跡進化をガイドし、信頼性の高い最適化を維持しながら、その検出パイプラインを各データセットの統計特性に適応させることができる。 4つのベンチマークデータセットによる実験によると、EvoTS-Agentは既存のLLMエージェントよりも一貫して優れており、評価されたすべてのバックボーンLLMに対して100倍の実行成功率を維持している。

関連論文リスト

• DeepBias: Adaptive In-depth Probing of Social Biases in LVLMs [71.85279836937578]
  我々は、注意深く設計されたエージェントを用いたLVLMにおける社会バイアスの奥行き探索のための適応的フレームワークDeepBiasを紹介する。 私たちは、私たちのフレームワークを使ってDeepBiasBenchという名のベンチマークを構築します。5つの異なる最先端のLVLMをアンカーとして使用することで、このベンチマークはアーキテクチャ間で共有される脆弱性をキャプチャします。
  論文  参考訳（メタデータ） (2026-07-13T08:19:09Z)
• Self-evolving LLM agents with in-distribution Optimization [60.05867547965365]
  大規模言語モデル(LLM)は最近、複雑な環境で対話的なエージェントのための強力なコントローラとして登場した。 本稿では,自動プロセス・リワードラベリングとポリシー学習を統一するLDMエージェントの自己進化フレームワークであるQ-Evolveを提案する。 我々は,AlfWorld,WebShop,ScienceWorldの手法を評価し,Q-Evolveがサンプル効率,堅牢性,全体的なタスク性能において高いベースラインを達成していることを示す。
  論文  参考訳（メタデータ） (2026-06-05T15:09:52Z)
• Characterization of Multi-Model Agentic AI Systems on General Tasks via Trace-Driven Simulation [16.378414807882603]
  本稿では、2つの最先端エージェントシステムのトークンレベルトレースデータセットであるGAIATraceについて述べる。 GAIATraceは、すべての主要なLLMの完全な推論トークン、タスクレベル構造、アクティビティをキャプチャする。 また、GAIATraceを再生して再現可能で低コストなシステム評価を行うトレース駆動シミュレータVidur-Agentを提案する。
  論文  参考訳（メタデータ） (2026-06-01T05:43:16Z)
• Agentic-imodels: Evolving agentic interpretability tools via autoresearch [35.865162623438025]
  Agentic-imodelsは、エージェントによって解釈されるように設計されたデータサイエンスツールを進化させるエージェント自動検索ループである。 この計量は、実装されたモデルの文字列表現が LLM によって "simulatable" であるかどうかを測定する。 進化したモデルによって予測性能とエージェント対面の解釈性が向上することが判明した。
  論文  参考訳（メタデータ） (2026-05-05T14:35:47Z)
• EvoSelect: Data-Efficient LLM Evolution for Targeted Task Adaptation [79.71802168256542]
  大きな言語モデル(LLM)を目的のタスクに効率的に、効果的に適応させることは、根本的な課題である。 1つの簡単なアプローチは、外部ジェネレータを通じて候補データを合成する反復的な生成訓練ループである。 モデル更新に先立って選択ステップを組み込んだ改良パラダイム,すなわち反復生成選択学習ループを導入する。
  論文  参考訳（メタデータ） (2026-04-28T23:26:16Z)
• WOMBET: World Model-based Experience Transfer for Robust and Sample-efficient Reinforcement Learning [8.729531978655737]
  ロボット工学における強化学習は、しばしばデータ収集のコストとリスクによって制限される。 先行データを共同で生成・利用するフレームワークであるtextitWorld Model-based Experience Transfer (WOMBET) を提案する。
  論文  参考訳（メタデータ） (2026-04-10T04:57:54Z)
• ATLAS : Adaptive Self-Evolutionary Research Agent with Task-Distributed Multi-LLM Supporters [6.13905106667213]
  ATLASは、軽量な研究エージェントを反復的に開発するタスク分散フレームワークである。 我々のコアアルゴリズムであるEvolving Direct Preference Optimization (EvoDPO)は、位相インデックス付き参照ポリシーを適応的に更新する。 その結果,ATLASは静的単一エージェントベースラインの安定性と性能を向上させることがわかった。
  論文  参考訳（メタデータ） (2026-02-02T19:23:33Z)
• DatawiseAgent: A Notebook-Centric LLM Agent Framework for Adaptive and Robust Data Science Automation [10.390461679868197]
  我々は、適応的で堅牢なデータサイエンス自動化のためのノートブック中心の大規模言語モデル(LLM)エージェントフレームワークであるDatawiseAgentを紹介する。 人間のデータサイエンティストが計算ノートブックでどのように機能するかに触発されたDatawiseAgentは、統一された相互作用表現とマルチステージアーキテクチャを導入した。
  論文  参考訳（メタデータ） (2025-03-10T08:32:33Z)
• Learn from the Learnt: Source-Free Active Domain Adaptation via Contrastive Sampling and Visual Persistence [60.37934652213881]
  ドメイン適応(DA)は、ソースドメインから関連するターゲットドメインへの知識伝達を容易にする。 本稿では、ソースデータフリーなアクティブドメイン適応(SFADA)という実用的なDAパラダイムについて検討する。 本稿では,学習者学習(LFTL)というSFADAの新たなパラダイムを紹介し,学習した学習知識を事前学習モデルから活用し,余分なオーバーヘッドを伴わずにモデルを積極的に反復する。
  論文  参考訳（メタデータ） (2024-07-26T17:51:58Z)
• 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)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)

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。