論文の概要: When Tomorrow Becomes Today: Self-Evolving Policies for Agentic Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.24862v1
• Date: Mon, 21 Sep 2026 16:33:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.414303
• Title: When Tomorrow Becomes Today: Self-Evolving Policies for Agentic Time-Series Forecasting
• Title（参考訳）: 今日が明日になるとき: エージェントの時系列予測のための自己進化型ポリシー
• Abstract要約: 我々はTimEvolveを紹介した。TimEvolveは、現実の成果を専門家信頼、エージェントパスの選択、介入強度の永続的な更新に変換する時系列エージェントである。 8つの Time-MMD ドメインにわたる実験により、TimEvolve は15の手法の中で MSE と MAE の最高位を達成している。
• 参考スコア（独自算出の注目度）: 14.841808660862375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agentic time series forecasting concerns systems whose underlying mechanisms evolve, making the relative effectiveness of numerical models, reasoning strategies, and intervention rules inherently time-varying. Consequently, a time series agent must adapt the forecasts it produces and the orchestration policy that determines which components to trust and how to coordinate them. The deployment process naturally provides supervision for this adaptation as forecast horizons elapse and realized targets reveal the effectiveness of earlier decisions. Committing all numerical expert forecasts and candidate agent paths before target observation allows each realized outcome to evaluate the entire alternative set, providing delayed feedback without additional annotation. However, existing time series agents primarily incorporate prior experience through forecast refinement, reflection, or retrieval, without systematically converting realized outcomes into persistent updates to the joint orchestration policy governing later origins. To exploit this delayed feedback systematically, we introduce TimEvolve, a frozen-backbone time series agent that converts each realized outcome into persistent joint updates of expert trust, agent path selection, and intervention strength. A temporally ordered predict, reveal, and update protocol applies this feedback to subsequent forecasts. Experiments across eight Time-MMD domains show that TimEvolve achieves the best average MSE and MAE ranks among fifteen methods and the lowest errors on both metrics in seven domains. These results demonstrate the value of learning forecasting policies from the futures encountered during deployment.
• Abstract（参考訳）: エージェント時系列予測は、基礎となるメカニズムが進化するシステムに関するもので、数値モデル、推論戦略、介入規則の相対的な効果を本質的に時間的に変化させる。 その結果、時系列エージェントは、生成する予測と、どのコンポーネントを信頼するか、どのように調整するかを決定するオーケストレーションポリシーに適応する必要があります。 展開プロセスは、予測の地平線が経過し、達成された目標が以前の決定の有効性を明らかにするため、この適応を自然に監督する。 目標観測の前に全ての数値専門家予測と候補エージェントパスを割り当てることで、それぞれの実現した結果が代替集合全体を評価することができ、追加のアノテーションなしで遅延したフィードバックを提供する。 しかし、既存の時系列エージェントは、予測の洗練、リフレクション、検索を通じて、実際の結果を体系的に、後の起源を管理する共同オーケストレーションポリシーの永続的な更新に変換することなく、事前の経験を取り入れている。 この遅延したフィードバックを体系的に活用するために、凍結したバックボーン時系列エージェントTimEvolveを導入し、各実行結果を専門家信頼、エージェントパス選択、介入強度の持続的な共同更新に変換する。 時間的に順序付けられた予測、公開、更新プロトコルは、このフィードバックをその後の予測に適用する。 8つのTime-MMDドメインにわたる実験により、TimEvolveは15のメソッドのうち、平均MSEとMAEのランクを達成し、7つのドメインで2つのメトリクスのエラーを最小にすることがわかった。 これらの結果は、デプロイ中に遭遇した未来から予測ポリシーを学ぶことの価値を示している。

関連論文リスト

• 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)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Improving Time Series Forecasting via Instance-aware Post-hoc Revision [44.90322487625981]
  時系列予測は、様々な現実世界の応用において重要な役割を果たす。 近年の手法は、先進的帰納バイアスとトレーニング戦略を取り入れることで、顕著な精度を実現している。 本稿では,予測性能を向上させるためのモデルに依存しないフレームワークであるPIRを提案する。
  論文  参考訳（メタデータ） (2025-05-29T15:56:41Z)
• Deconfounding Time Series Forecasting [1.5967186772129907]
  時系列予測は様々な領域において重要な課題であり、正確な予測は情報的な意思決定を促進する。 従来の予測手法は、しばしば将来の結果を予測するために変数の現在の観測に依存している。 本稿では,過去のデータから得られた潜在的共同設立者の表現を取り入れた予測手法を提案する。
  論文  参考訳（メタデータ） (2024-10-27T12:45:42Z)
• A Predictive Approach To Enhance Time-Series Forecasting [6.377828331013327]
  本稿では、時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。 本手法は2つのモデルから構成される: 重要事象を識別するために将来のデータを解析する検出モデルと、これらの事象を現在のデータに基づいて予測する予測モデルである。 脳波データを用いた発作予測ではAUC-ROCが44.8%増加し,非線形力学系ではMSEが23.4%減少した。
  論文  参考訳（メタデータ） (2024-10-19T21:22:55Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• 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)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)

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。