論文の概要: CompEvo: Competition-Induced Evolution for Multi-Agent in News-Driven Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.09195v1
• Date: Thu, 03 Sep 2026 03:12:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.733582
• Title: CompEvo: Competition-Induced Evolution for Multi-Agent in News-Driven Time Series Forecasting
• Title（参考訳）: CompEvo: ニュース駆動時系列予測における競合によるマルチエージェントの進化
• Abstract要約: ニュース駆動の時系列予測は、進化するテキストイベントと過去の観測を使って将来の価値を予測する。 マルチエージェント環境では、思考の退化と理論的な根拠の不足という2つの課題が残っている。 我々は,マルチエージェントニュース駆動時系列予測のための競争誘発進化フレームワークCompEvoを提案する。
• 参考スコア（独自算出の注目度）: 17.15527031744296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: News-driven time series forecasting uses evolving textual events together with historical observations to predict future values, supporting applications such as market risk monitoring and resource scheduling. In multi-agent settings, two challenges still remain. The first is degeneration of thought, where agents converge to similar evidence-seeking behaviors. The second is insufficient theoretical grounding, where strategy updates are often heuristic and lack a principled formulation. To address the above challenges, we propose CompEvo, a competition-induced evolution framework for multi-agent news-driven time series forecasting. For theoretical grounding, we introduce an evolutionary game formulation to guarantee equilibrium existence and optimization convergence. Building on this formulation, we construct a trainable multi-agent evolution framework that integrates strategy execution, fitness-based differentiable selection, and competition-induced strategy evolution. CompEvo enables heterogeneous agents to explore diverse news evidence, converts forecasting feedback into differentiable influence weights, and evolves agent strategies under competitive pressure to preserve effective logic while maintaining diversity. Experiments on four real-world datasets show that CompEvo reduces RMSE by 27.3% and MAPE by 26.2% on average over strong baselines. Further analysis indicates that CompEvo successfully maintains diverse and specialized agent behaviors.
• Abstract（参考訳）: ニュース駆動の時系列予測では、進化するテキストイベントと過去の観測を使って将来の価値を予測し、市場リスク監視やリソーススケジューリングなどのアプリケーションをサポートする。 マルチエージェント設定では、2つの課題が残っている。 1つ目は思考の退化であり、エージェントは同様の証拠を探す行動に収束する。 2つ目は、戦略更新がしばしばヒューリスティックであり、原則的な定式化が欠如している理論的な根拠が不十分である。 以上の課題に対処するため,マルチエージェントニュース駆動時系列予測のための競争誘発進化フレームワークであるCompEvoを提案する。 理論的根拠として、平衡の存在と最適化収束を保証するための進化的ゲーム定式化を導入する。 この定式化に基づいて、我々は、戦略実行、フィットネスベースの差別化可能な選択、競争による戦略進化を統合する訓練可能なマルチエージェント進化フレームワークを構築した。 CompEvoは異質なエージェントが多様なニュースエビデンスを探索し、予測フィードバックを異なる影響重みに変換し、競争的な圧力下でエージェント戦略を進化させ、多様性を維持しながら効果的な論理を維持する。 4つの実世界のデータセットの実験により、CompEvoはRMSEを27.3%削減し、MAPEを26.2%削減した。 さらなる分析は、CompEvoが多種多様な特殊エージェントの挙動をうまく維持していることを示している。

関連論文リスト

• Evolving in the Agent Jungle via History-Informed Opponent Awareness [12.282686233879012]
  OASEは、動的マルチエージェント環境で真に有益なスキルリビジョンを特定し、採用する。 我々はOASEを2つの意思決定シナリオで評価する: 第一価格オークションと民間のCournotコンペティション。
  論文  参考訳（メタデータ） (2026-08-03T10:06:23Z)
• Group Cognition Learning: Making Everything Better Through Governed Two-Stage Agents Collaboration [13.299987551113809]
  グループ認知学習(グループ認知学習、Group Cognition Learning、GCL)は、モダリティ固有の符号化の後に2段階のプロトコルを適用する、管理された協調パラダイムである。 GCLはモダリティの優位性と結合を緩和し、回帰ベンチマークと分類ベンチマークの両方で最先端の結果を確立する。
  論文  参考訳（メタデータ） (2026-05-01T03:19:34Z)
• SEA-Eval: A Benchmark for Evaluating Self-Evolving Agents Beyond Episodic Assessment [52.87618765740484]
  本稿では、Self-Evolving Evolutionary Agentを定義し、SEAの評価に特化して設計された最初のベンチマークであるSEA-Evalを紹介する。 SEA-Evalは、主要な指標として$SR$と$T$を確立し、シーケンシャルなタスクストリーム設計を通じて進化的ゲイン、進化的安定性、暗黙的なアライメント収束を実現できる。
  論文  参考訳（メタデータ） (2026-04-10T05:49:50Z)
• RetroAgent: From Solving to Evolving via Retrospective Dual Intrinsic Feedback [54.39884046754265]
  RetroAgentは、エージェントが複雑なインタラクティブ環境をマスターできるオンラインRLフレームワークである。 実験の結果,RetroAgentはSOTA(State-of-the-art)の性能を達成できた。
  論文  参考訳（メタデータ） (2026-03-09T16:23:33Z)
• Unleashing the Potential of Differential Evolution through Individual-Level Strategy Diversity [6.921493684518839]
  個人レベルの戦略多様性が差分進化の探索力学と性能に与える影響について検討する。 iStratDEは、突然変異とクロスオーバー戦略を個別に割り当てる最小限の変種である。 CEC2022ベンチマークスイートとロボット制御タスクの実験は、iStratDEが確立された適応Dの変種と一致するか、あるいは超えることを示した。
  論文  参考訳（メタデータ） (2026-02-01T10:45:44Z)
• Grounded Test-Time Adaptation for LLM Agents [75.62784644919803]
  大規模言語モデル(LLM)ベースのエージェントは、新規で複雑な環境への一般化に苦慮している。 環境特化情報を活用することで, LLMエージェントを適応するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2025-11-06T22:24:35Z)
• QuantEvolve: Automating Quantitative Strategy Discovery through Multi-Agent Evolutionary Framework [5.824247126563122]
  QuantEvolveは、品質最適化と仮説駆動型戦略生成を組み合わせた進化的フレームワークである。 市場体制の変化と個々の投資ニーズに適応する多様で洗練された戦略を生み出します。
  論文  参考訳（メタデータ） (2025-10-21T12:22:16Z)
• Towards Self-Evolving Benchmarks: Synthesizing Agent Trajectories via Test-Time Exploration under Validate-by-Reproduce Paradigm [60.36837655498119]
  本稿では,トラジェクトリをベースとしたエージェント・ベンチマーク・複雑度進化フレームワークを提案する。 このフレームワークは、既存のベンチマークから元のタスクを受け取り、エージェントがそれをより難しい新しいタスクに進化させるよう促す。 GAIAベンチマークの実験では、TRACEフレームワークはタスクの複雑さを継続的に向上し、正確性の信頼性を向上させる。
  論文  参考訳（メタデータ） (2025-10-01T01:52:52Z)
• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational Reasoning [41.42230144157259]
  本稿では,関係構造を明示的に認識し,潜在相互作用グラフによる予測を行う汎用軌道予測フレームワークを提案する。 将来の行動の不確実性を考慮すると、モデルはマルチモーダルな予測仮説を提供するように設計されている。 トレーニング効率を向上し、収束を加速するだけでなく、モデル性能も向上する2段トレーニングパイプラインを導入する。
  論文  参考訳（メタデータ） (2020-03-31T02:49:23Z)

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。