論文の概要: MetaCaster: Meta-Harness-Optimized Agent for End-to-End Few-Shot Learning of Lightweight Time Series Forecasters

• arxiv url: http://arxiv.org/abs/2608.23473v1
• Date: Mon, 24 Aug 2026 16:40:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.199836
• Title: MetaCaster: Meta-Harness-Optimized Agent for End-to-End Few-Shot Learning of Lightweight Time Series Forecasters
• Title（参考訳）: MetaCaster: 軽量時系列予測器のエンド・ツー・エンドFew-Shot学習のためのメタハーネス最適化エージェント
• Authors: ChengAo Shen, Wenchao Yu, Fangyu Wu, Dongjin Song, Hanghang Tong, Dongsheng Luo, Wei Cheng, Haifeng Chen, Jingchao Ni,
• Abstract要約: 時系列予測(TSF)は、マルチモーダルおよびエージェント設定に向けて進化している。 メタハーネスを最適化したマルチエージェントフレームワークであるMetaCasterを提案する。 我々の研究は、エージェントが予測者としてではなく、仲介エンジニアとして振る舞う新しいTSFパラダイムを強調している。
• 参考スコア（独自算出の注目度）: 86.78565015172455
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting (TSF) is evolving toward multimodal and agentic settings, yet using foundation models remains uneconomical in resource-constrained scenarios, where compact, specialized forecasters are more desirable. However, lightweight forecasters typically require substantial training data, limiting their use in domains with scarce, slowly accumulated, or privacy-sensitive time series. To address this dilemma, we investigate the challenging problem of few-shot learning for lightweight forecasters. We propose MetaCaster, a meta-harness-optimized multi-agent framework that uses agentic data generation to automatically train specialized lightweight forecasters from only a few examples and textual contexts. Our work highlights a new TSF paradigm in which agents act not as forecasters but as intermediary engineers that prepare efficient, task-specific forecasters for deployment. Experiments on 18 datasets, 23 state-of-the-art lightweight forecasters, and 14 baselines demonstrate that MetaCaster achieves both data efficiency and computational efficiency while maintaining high-quality TSF performance.
• Abstract（参考訳）: 時系列予測(TSF)は、マルチモーダルおよびエージェント的な設定に向けて進化しているが、リソース制約のあるシナリオでは基礎モデルの使用は不経済的であり、コンパクトで特殊な予測器の方が望ましい。 しかし、軽量な予測器は通常、十分なトレーニングデータを必要とし、少ない、徐々に蓄積された、あるいはプライバシーに敏感な時系列でドメインでの使用を制限する。 このジレンマに対処するために、軽量な予測器における数発学習の難題について検討する。 エージェントデータを生成するメタハーネス最適化マルチエージェントフレームワークであるMetaCasterを提案する。 我々の研究は、エージェントが予測器ではなく、効率的なタスク固有の予測器をデプロイするために準備する仲介技術者として機能する新しいTSFパラダイムを強調している。 18のデータセット、23の最先端の軽量予測器、14のベースラインの実験は、MetaCasterが高品質なTSF性能を維持しながら、データ効率と計算効率の両方を達成することを示した。

関連論文リスト

• KairosAgent: Agentic Time Series Forecasting with Fused Semantic Reasoning [25.103984906343328]
  クロスドメインマルチモーダル時系列予測は、正確な数値理解、クロスドメインセマンティック理解、効果的なマルチモーダル融合をモデルに統合する必要がある、難しい課題である。 既存のアプローチは、時系列基礎モデル(TSFM)をスクラッチから構築するか、事前訓練された大規模言語モデル(LLM)を活用するかのいずれかである。 LLMベースの推論器とTSFMベースの予測器を含む,マルチモーダル時系列予測のための新しいエージェントフレームワークであるKairosAgentを提案する。
  論文  参考訳（メタデータ） (2026-05-28T14:32:48Z)
• 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)
• Streaming Real-Time Trajectory Prediction Using Endpoint-Aware Modeling [54.94692733670454]
  近隣の交通機関の将来の軌道は、自動運転車の経路計画と意思決定に大きな影響を与えている。 本稿では,軽量かつ高精度なストリーミングベース軌道予測手法を提案する。 当社のアプローチは推論遅延を大幅に低減し、現実のデプロイメントに適しています。
  論文  参考訳（メタデータ） (2026-03-02T13:44:23Z)
• A Lightweight Multi-View Approach to Short-Term Load Forecasting [44.00037058636877]
  時系列予測はエネルギー、金融、気象学といった分野における重要な課題である。 本稿では,単一値埋め込みと拡張時間範囲入力を利用する,短期負荷予測のための軽量なマルチビュー手法を提案する。
  論文  参考訳（メタデータ） (2026-02-09T21:43:42Z)
• TimeSeriesScientist: A General-Purpose AI Agent for Time Series Analysis [25.377586527585503]
  TimeSeriesScientist(TSci)は時系列予測のための一般的なドメインに依存しないフレームワークである。 これはそれぞれ平均10.4%と38.2%の予測誤差を減少させる。 透明な自然言語の合理性と包括的な報告により、TSciは予測をホワイトボックスシステムに変換する。
  論文  参考訳（メタデータ） (2025-10-02T00:18:59Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Advancing Enterprise Spatio-Temporal Forecasting Applications: Data Mining Meets Instruction Tuning of Language Models For Multi-modal Time Series Analysis in Low-Resource Settings [0.0]
  パティオ時間予測は輸送、物流、サプライチェーン管理において重要である。 本稿では,従来の予測手法の強みと小言語モデルの命令チューニングを融合した動的マルチモーダル手法を提案する。 我々のフレームワークは、推論速度とデータプライバシ/セキュリティを維持しながら、計算とメモリの要求を低減したオンプレミスのカスタマイズを可能にする。
  論文  参考訳（メタデータ） (2024-08-24T16:32:58Z)
• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)

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。