Fugu-MT 論文翻訳(概要): Tracing the Evidence Behind Zero-Shot Time-Series Forecasting: A Source-First Taxonomy and Audit Framework

論文の概要: Tracing the Evidence Behind Zero-Shot Time-Series Forecasting: A Source-First Taxonomy and Audit Framework

arxiv url: http://arxiv.org/abs/2609.21425v1
Date: Fri, 18 Sep 2026 07:38:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-21 18:40:16.898377
Title: Tracing the Evidence Behind Zero-Shot Time-Series Forecasting: A Source-First Taxonomy and Audit Framework
Title（参考訳）: ゼロショット時系列予測の背後にある証拠の追跡:ソースファーストの分類と監査フレームワーク
Abstract要約: ゼロショット時系列予測(Zero-shot Time-Series forecasting, TSF)は、ターゲット固有のパラメータを更新せずに予測される。したがって、ゼロショット TSF はエビデンス・アクセシビリティー・クレームとして管理されるべきである。
参考スコア（独自算出の注目度）: 11.9765974588798
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Zero-shot time-series forecasting (TSF) is often described as forecasting without target-specific parameter updates, but that training-status condition does not specify what evidence the system may use. A frozen language model prompted with serialized values, a time-series model pretrained on broad forecasting corpora, and a retrieval-augmented forecaster may all satisfy the no-update condition while drawing on different transferable evidence. This paper argues that zero-shot TSF should therefore be governed as an evidence-access claim. We propose a source-first taxonomy that separates three primary evidence sources---frozen LLM prior reuse, parametric time-series pretraining, and retrieval-augmented external memory---from the architectures that implement them. After the source is identified, four additional audit questions remain: task interface, forecast object and scoring, prediction-time context, and resource budget. The resulting agenda is to make zero-shot leaderboards auditable by reporting evidence boundaries and interface assumptions alongside scores, so that benchmark progress reflects transferable forecasting capability rather than undisclosed changes in context, memory, or budget.
Abstract（参考訳）: ゼロショット時系列予測 (Zero-shot Time-Series forecasting, TSF) は、ターゲット固有のパラメータを更新せずに予測するが、トレーニング統計条件では、システムがどのエビデンスを使用するかは明らかにしていない。逐次化された値で誘導される凍結言語モデル、広範囲な予測コーパスで事前訓練された時系列モデル、および検索強化予測器は、それぞれ異なる転送可能な証拠を描画しながら、最新状態を満たすことができる。したがって、ゼロショット TSF はエビデンス・アクセシビリティー・クレームとして管理されるべきである。本稿では, LLM の事前再利用, パラメトリック時系列事前学習, 検索強化外部メモリの3つの主要な証拠源を, 実装するアーキテクチャから分離するソースファースト分類法を提案する。ソースが特定された後も、タスクインターフェース、予測オブジェクトとスコアリング、予測時間コンテキスト、リソース予算の4つの監査質問が残る。結果として得られた議題は、証拠境界とインターフェースの仮定をスコアと共に報告することでゼロショットのリーダーボードを監査可能にすることで、ベンチマークの進捗は、文脈、記憶、予算の未公表の変更ではなく、転送可能な予測能力を反映する。

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)
A Human-in-the-Loop Autonomous Agent for Industry Time Series Forecasting [48.586399370741965]
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。
論文参考訳（メタデータ） (2026-08-31T15:36:41Z)
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)
From Recoverability to Functional Use: Auditing Temporal Reports in Time-Series Forecasting [10.481986290704821]
正確な予測は時間的使用を正さないことを示す。レポート制御ルーティングは、予測精度において観測された損失を伴わずに、レポート制御アライメントを大幅に改善する。
論文参考訳（メタデータ） (2026-08-11T03:30:36Z)
CastFSR: A Fast--Slow--Reflect Agentic Reasoning Framework for Context-Aware Time Series Forecasting [55.05716348844572]
CastFSRは、コンテキスト認識予測をFast-Slow-Reflect--ワークフローとして定式化するエージェントフレームワークである。コンテキスト証拠を検索し、情報的なルックバックウィンドウを適応的に決定し、コンテキストが将来のダイナミクスをどう形作るのかを判断する。予測を反復的に洗練し、時間的、コンテキスト的、ドメイン整合性を保証する。
論文参考訳（メタデータ） (2026-08-04T02:21:36Z)
RAID: Semantic Graph Diffusion for True Cold-Start and Cross-Lingual Forecasting [1.8923689868452591]
RAID(Retrieval-Augmented Iterative Diffusion)は、履歴に基づく相関学習を意味検索とグラフ条件拡散に置き換えるフレームワークである。 RAIDは、凍結した多言語埋め込みモデルを用いてテキストメタデータを共有意味空間にマッピングし、自然に見えない項目に拡張する帰納的検索グラフを構築する。厳密なコールドスタートプロトコルの下では、RAIDは予測精度と予測間隔のカバレッジの両方において、強力な基礎モデルと競争ベースラインを上回っている。
論文参考訳（メタデータ） (2026-06-15T16:27:14Z)
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)
OracleProto: A Reproducible Framework for Benchmarking LLM Native Forecasting via Knowledge Cutoff and Temporal Masking [17.407881336351597]
OracleProtoは、大規模言語モデルのネイティブ予測機能を評価するためのフレームワークである。モデルカットオフ整列サンプルの入場、ツールレベルの時間マスキング、コンテンツレベルの漏洩検出、解答正規化、階層的スコアリングを組み合わせることで、解決した事象を時間境界予測サンプルに再構成する。公平なクロスモデル比較のための統一インターフェースと、下流SFTとRLのための制御信号源を提供する。
論文参考訳（メタデータ） (2026-05-05T13:50:50Z)
Time-Aware Prior Fitted Networks for Zero-Shot Forecasting with Exogenous Variables [59.37476887007663]
我々は、(PFNとは違って)時間認識の事前データ適合型ネットワーク(PFN)であるApolloPFNを開発した。 i) PFNが時系列に適用されたときに発生する障害モードを解決するために調整された合成データ生成手順,(ii)時系列コンテキストを利用するのに必要な帰納的バイアスを埋め込んだ時間アウェアなアーキテクチャ修正。
論文参考訳（メタデータ） (2026-03-16T18:33:23Z)
TemporalBench: A Benchmark for Evaluating LLM-Based Agents on Contextual and Event-Informed Time Series Tasks [12.114998959919978]
強い予測性能が真の時間的理解を反映しているか、文脈的・事象駆動的条件下での推論能力を反映しているかは明らかでない。よりリッチな情報環境下での時間的推論行動を評価するために設計されたマルチドメインベンチマークである TemporalBench を紹介する。将来のターゲットやコンテキスト情報へのアクセスを制御することで、モデルが時間的パターンを正しく解釈できるかどうかの診断分析が可能になる。
論文参考訳（メタデータ） (2026-02-05T01:02:19Z)

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。