Fugu-MT 論文翻訳(概要): A Human-in-the-Loop Autonomous Agent for Industry Time Series Forecasting

論文の概要: A Human-in-the-Loop Autonomous Agent for Industry Time Series Forecasting

arxiv url: http://arxiv.org/abs/2608.30976v1
Date: Mon, 31 Aug 2026 15:36:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-01 18:31:31.485699
Title: A Human-in-the-Loop Autonomous Agent for Industry Time Series Forecasting
Title（参考訳）: 産業時系列予測のための人間型自律エージェント
Abstract要約: 本稿では,予測指向ハーネス工学によって構築された予測システムであるCastClawを紹介する。 CastClawはデータ、特殊なモデル、分析ツール、ユーザ入力、バージョン管理された実行レコードを1つのランタイムで接続する。 CastClawは、2026年1月から6月にかけて、北朝鮮の地方電力負荷データでオフラインで検証された。
参考スコア（独自算出の注目度）: 48.586399370741965
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Real-world time-series forecasting is rarely a one-shot model invocation: practitioners must formulate tasks, connect data and models, incorporate domain expertise, assess prediction plausibility, and communicate uncertainty. Specialized forecasting models provide strong numerical predictions but usually operate in fixed pipelines, while general-purpose large language model (LLM) agents often lack forecasting-specific checks, constraints, and stopping rules. We present CastClaw, a human-in-the-loop autonomous forecasting system built through forecasting-oriented harness engineering. CastClaw connects data, specialized models, analytical tools, user input, and a versioned execution record in one runtime. Users specify the target, horizon, constraints, and hypotheses in natural language. Starting from a supplied or model-generated forecast, CastClaw checks temporal patterns and user constraints; when evidence is missing, it retrieves context, runs an analysis or another model, or asks the user. It then keeps, revises, or escalates the result under explicit stopping conditions. The output contains the final forecast and an execution report recording inputs, evidence, actions, and revisions. In this five-dataset electricity-price setting, CastClaw reports the lowest point-estimate MSE and MAE among 16 baselines. A Nord Pool case demonstrates the inspectable workflow. CastClaw was also validated offline on provincial electricity-load data from North China covering January--June 2026.
Abstract（参考訳）: 実践者はタスクを定式化し、データとモデルを接続し、ドメインの専門知識を取り入れ、予測の妥当性を評価し、不確実性を通信しなければならない。特殊な予測モデルは強い数値予測を提供するが、通常は固定パイプラインで動作するが、汎用大規模言語モデル(LLM)エージェントは予測固有のチェック、制約、および停止規則を欠いていることが多い。提案するCastClawは,予測指向のハーネス工学によって構築された,ループ内自動予測システムである。 CastClawはデータ、特殊なモデル、分析ツール、ユーザ入力、バージョン管理された実行レコードを1つのランタイムで接続する。ユーザは自然言語でターゲット、地平線、制約、仮説を指定する。 CastClawは、供給されたあるいはモデル生成された予測から始まり、時間的パターンとユーザの制約をチェックします。その後、明確な停止条件下で結果を維持、修正、エスカレーションする。出力は、最終的な予測と、入力、エビデンス、アクション、リビジョンを記録する実行レポートを含む。この5つのデータセットの電気価格設定において、CastClawは16のベースラインの中で最低のポイント推定MSEとMAEを報告している。 Nord Poolケースは、検査可能なワークフローを示します。またCastClawは、2026年1月から6月にかけて、北朝鮮の地方電力負荷データについてもオフラインで検証された。

関連論文リスト

From Narrative to Auditable Forecasts: A Structured Scaffold for Agentic Forecasting [28.10023756949099]
AuditForecastは構造化確率予測のためのエージェント的な足場である。予測を適切な定量的ベースラインモデルで固定し、モデル誘導データ検索を使用してベース確率を導出し、モデルの範囲外で状況要因を更新する。 AuditForecastは、予測構築を明確にし、系統的なポストホック分析をサポートする監査可能な予測レポートを生成する。
論文参考訳（メタデータ） (2026-09-05T05:58:39Z)
LLM-based Agents for Forecasting and Prediction: Methods, Training, Evaluation, and Applications [76.41731220830714]
大規模言語モデル(LLM)は、言語ベースの推論と時間的データ、エビデンス検索、外部ツール、反復予測を組み合わせた予測システムをサポートするようになった。ファイナンス、天気、健康、エネルギー、オペレーションの応用について検討し、評価に使用されるベンチマークとデータセットを要約する。
論文参考訳（メタデータ） (2026-08-24T10:02:39Z)
Bridging the Last Mile of Time Series Forecasting with LLM Agents [0.6416429054645992]
実世界の予測設定では、統計的に妥当なベースラインが実際に使われる最後の予測となることは滅多にない。この実践的な段階は、予測文学において未解明のままである。予測バックボーン上に位置するLDMエージェントフレームワークを提案する。
論文参考訳（メタデータ） (2026-06-01T17:03:40Z)
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)
Evaluation of a Foundational Model and Stochastic Models for Forecasting Sporadic or Spiky Production Outages of High-Performance Machine Learning Services [0.0]
我々は、最先端の機械学習サービスの散発的またはスパイクな生産停止を予測するために、最先端の基礎モデルを最適化する。この分析は、各評価されたモデルが、散発的またはスパイクなイベントに対してどのように機能するかを理解するのに役立ちます。最適なパラメータを持つモデルを用いて、6%未満の値誤差を持つ特定の根本原因の1年間の障害統計を推定する。
論文参考訳（メタデータ） (2025-06-30T23:59:12Z)
Consistency Checks for Language Model Forecasters [54.62507816753479]
予測器の性能を,論理的に異なる質問に対する予測の整合性の観点から測定する。我々は,一連の基本質問を生成し,これらの質問から整合性チェックをインスタンス化し,予測者の予測を導き,予測の整合性を測定する自動評価システムを構築した。
論文参考訳（メタデータ） (2024-12-24T16:51:35Z)
Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。 ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
論文参考訳（メタデータ） (2023-10-12T08:51:59Z)
Greykite: Deploying Flexible Forecasting at Scale at LinkedIn [11.769823455954599]
LinkedInでは、プロダクトオーナーが予測を使用してビジネス目標を設定し、見通しを追跡し、健康状態を監視する。我々は、LinkedInで20以上のユースケースにデプロイされた予測のためのオープンソースのPythonライブラリであるGreykiteを紹介します。ベンチマークの結果,様々な領域のデータセットに対して,アウト・オブ・ボックスの速度と精度が良好であった。
論文参考訳（メタデータ） (2022-07-15T23:57:10Z)
Selective Prediction via Training Dynamics [31.708701583736644]
本研究では,モデルのトレーニング力学を学習することで,最先端の選択的予測性能が得られることを示す。特に、トレーニングの後半段階で最終予測と大差ないデータポイントを拒否する。提案された拒絶機構はドメインに依存しない(すなわち、離散予測と実数値予測の両方に有効)、既存の選択的予測手法と柔軟に組み合わせることができる。
論文参考訳（メタデータ） (2022-05-26T17:51:29Z)
AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
論文参考訳（メタデータ） (2020-06-24T23:13:11Z)

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。