論文の概要: From Narrative to Auditable Forecasts: A Structured Scaffold for Agentic Forecasting

• arxiv url: http://arxiv.org/abs/2609.05905v1
• Date: Sat, 05 Sep 2026 05:58:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.165882
• Title: From Narrative to Auditable Forecasts: A Structured Scaffold for Agentic Forecasting
• Title（参考訳）: 物語から聴取可能な予測へ:エージェント・フォアキャスティングのための構造化されたシナリオ
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 28.10023756949099
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM agents are increasingly used for live forecasting, where they retrieve up-to-date information and produce estimates for unresolved future events. However, current agentic forecasting often relies on implicit narrative aggregation: agents collect evidence, discuss it in prose, and often assign a probability without an explicit update path from evidence to forecast. This limits both forecasting accuracy and auditability. We propose AuditForecast, an agentic scaffold for structured probabilistic forecasting. AuditForecast first anchors the forecast with a suitable quantitative baseline model, uses model-guided data retrieval to derive a base probability, and then applies situational factor updates outside the model's scope through mechanical aggregation in odds space. This turns forecasting from a prose-based judgment into a structured process with explicit intermediate objects. Across multiple live forecasting benchmarks, AuditForecast improves forecasting accuracy and calibration relative to strong agentic baselines, surpasses market-implied references in several settings, and outperforms substantially more expensive deep-research agents while remaining Pareto-dominant in the cost--accuracy tradeoff. Beyond performance gains, AuditForecast produces an auditable forecasting report that makes forecast construction explicit and supports systematic post hoc analysis.
• Abstract（参考訳）: LLMエージェントは、最新の情報を取得し、未解決の将来の事象の見積もりを生成するライブ予測にますます使用される。 エージェントは証拠を集め、散文で議論し、しばしば証拠から予測への明確な更新パスなしで確率を割り当てる。 これにより、予測精度と監査性の両方が制限される。 本稿では,構造化確率予測のためのエージェント足場であるAuditForecastを提案する。 AuditForecastはまず、適切な定量的ベースラインモデルで予測をアンカーし、ベース確率を導出するためにモデル誘導データ検索を使用し、奇数空間の機械的集約を通じてモデルの範囲外で状況要因を更新する。 これは、散文に基づく判断からの予測を、明示的な中間オブジェクトを持つ構造化プロセスに変換する。 複数のライブ予測ベンチマークを通じて、AuditForecastは強力なエージェントベースラインに対する予測精度とキャリブレーションを改善し、いくつかの設定で市場が導入した基準を超え、コスト-正確性トレードオフにおいてパレート優位を維持しながら、かなり高価なディープ検索エージェントを上回っている。 パフォーマンス向上以外にも、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。

関連論文リスト

• Latent-Regime Bias Auditing for Volatility Forecasting [0.44333156307871585]
  本稿では,潜在市場体制全体でのボラティリティ予測が信頼性を維持しているかどうかを評価するためのモデル非依存型監査フレームワークを提案する。 我々は、市場状態のウィンドウの時系列表現を学習し、トレーニング情報のみを用いてレジームに分類し、アグリゲーション予測行動とレジーム条件バイアス、テール・アンダープレディション、そして過小評価に敏感な経済損失を比較した。
  論文  参考訳（メタデータ） (2026-08-03T02:09:39Z)
• Information Bottleneck Learning for Faithful Time Series Forecasting Explanations [26.577036929886486]
  IB-Forecastは本質的に解釈可能な多変量時系列予測フレームワークである。 予測を学習周期成分と、入力トークン上の説明可能なマスクで計算された残留成分に分解する。 予算制約のある情報ボトルネックにより、エンド・ツー・エンドの最適化により、ユーザーは説明の間隔を直接制御できる。
  論文  参考訳（メタデータ） (2026-07-30T12:33:19Z)
• 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)
• Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting [49.05788441962762]
  エージェント時系列予測(ATSF)は,認識,計画,行動,反射,記憶からなるエージェントプロセスとして再編成される。 ワークフローに基づく設計、エージェント強化学習、ハイブリッドエージェントワークフローパラダイムという3つの代表的な実装パラダイムを概説し、モデル中心の予測からエージェント予測に移行する際に生じる機会と課題について議論する。
  論文  参考訳（メタデータ） (2026-02-02T08:01:11Z)
• 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)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• 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)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。