論文の概要: Self-Evolving Time-Series Forecasting Agents with Episodic Memory and Online Policy Learning

• arxiv url: http://arxiv.org/abs/2609.32689v1
• Date: Sat, 26 Sep 2026 14:51:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 21:15:25.396495
• Title: Self-Evolving Time-Series Forecasting Agents with Episodic Memory and Online Policy Learning
• Title（参考訳）: エピソード記憶とオンライン政策学習を用いた自己進化型時系列予測エージェント
• Abstract要約: 現実のデプロイメントでは、予測がオンラインで動作し、現在利用可能な履歴から新たな予測が発行される。 これらのターゲットは、以前のインスタンスで取られたアクションに対するフィードバックを提供するが、既存のエージェントは通常、この情報を保存したり利用したりしない。 本稿では,フィードバックをタスク固有の体験に変換するフィードバック対応自己進化予測エージェントFASEを紹介する。
• 参考スコア（独自算出の注目度）: 18.59580617955153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based agents are increasingly used for time-series forecasting because they can organise contextual information, perform multi-step analysis, and guide the sequence of actions required to complete forecasting tasks. Most existing agents focus only on the current forecasting instance. However, in real-world deployments, forecasting commonly operates online, with new forecasts issued from the currently available history as the forecast origin advances and the ground-truth targets of earlier instances progressively become available. These targets provide feedback on the actions taken in earlier instances, yet existing agents generally do not preserve or utilise this information to adapt their subsequent actions. To address this limitation, we introduce FASE, a Feedback-Aware Self-Evolving forecasting agent that converts such feedback into task-specific experience for subsequent forecasting instances. FASE combines episodic memory, which retrieves relevant completed instances, with online policy learning, which summarises the feedback accumulated across instances into ranking guidance. The proposed framework is evaluated on 29 dataset configurations selected from the GIFT-Eval benchmark. Across these 29 configurations, FASE attains the strongest aggregate point forecasting performance among the evaluated methods and reduces the normalised MAE by 9.1% relative to the best individual foundation model baseline. The results further indicate that the cumulative advantage of FASE increases as delayed feedback accumulates. Together, these findings demonstrate that FASE can continually self-evolve through feedback from completed forecasting instances without updating the parameters of the LLM.
• Abstract（参考訳）: LLMベースのエージェントは、文脈情報を整理し、多段階の分析を行い、予測タスクの完了に必要なアクションの順序を導くことができるため、時系列予測にますます使用される。 既存のエージェントのほとんどは、現在の予測インスタンスにのみフォーカスする。 しかし、現実の展開では、予測は一般的にオンラインで行われ、予測の原点が進歩し、初期のインスタンスの真真正なターゲットが徐々に利用できるようになると、現在利用可能な歴史から新たな予測が発行される。 これらのターゲットは、以前のインスタンスで取られたアクションに対するフィードバックを提供するが、既存のエージェントは通常、この情報を保存したり利用したりせずに、その後のアクションに適応する。 この制限に対処するため,フィードバック対応の自己進化予測エージェントであるFASEを導入する。 FASEは、関連する完了したインスタンスを検索するエピソードメモリと、インスタンス間で蓄積されたフィードバックをまとめたオンラインポリシー学習を組み合わせることで、ランキングガイダンスを提供する。 提案フレームワークはGIFT-Evalベンチマークから選択した29のデータセット構成で評価される。 これらの29の構成の中で、FASEは評価方法の中で最強の集計点予測性能を達成し、最高の基礎モデルベースラインと比較して正規化MAEを9.1%削減する。 さらに,FASEの累積的優位性は,遅延フィードバックの蓄積に伴って増大することが示唆された。 これらの結果から、FASEはLLMのパラメータを更新することなく、完了した予測インスタンスからのフィードバックを通じて継続的に自己進化できることが示された。

関連論文リスト

• When Tomorrow Becomes Today: Self-Evolving Policies for Agentic Time-Series Forecasting [14.841808660862375]
  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。
  論文  参考訳（メタデータ） (2026-09-21T16:33:59Z)
• 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)
• LEAF: A Living Benchmark for Event-Augmented Forecasting [78.94019460534442]
  LEAFは、イベント拡張予測タスクの最初の生きたベンチマークである。 我々は最先端のプロプライエタリかつオープンウェイトなLLMを評価した。 LLMは、より予測し易いと自信を持って判断し、より優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-05-09T03:17:59Z)
• 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)
• 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)
• 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)
• Can LMs Generalize to Future Data? An Empirical Analysis on Text Summarization [50.20034493626049]
  最近の学習済み言語モデル(PLM)は、既存の抽象的な要約データセットにおいて有望な結果をもたらす。 既存の要約ベンチマークは、標準の事前学習コーパスと微調整データセットと時間的に重複する。 要約モデルに格納されたパラメトリック知識は、将来のデータに対する生成した要約の忠実度に大きく影響することを示す。
  論文  参考訳（メタデータ） (2023-05-03T08:08:07Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)

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。