論文の概要: MACTS-EM: Multi-Agent Collaborative Time Series Forecasting with Emergent Memory

• arxiv url: http://arxiv.org/abs/2610.02255v1
• Date: Wed, 30 Sep 2026 19:30:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 19:20:54.739289
• Title: MACTS-EM: Multi-Agent Collaborative Time Series Forecasting with Emergent Memory
• Title（参考訳）: MACTS-EM: 創発的メモリを用いたマルチエージェント協調時系列予測
• Abstract要約: 本稿では,Multi-Agent Collaborative Time Series Forecasting with Emergent Memory (MACTS-EM)を提案する。 金融市場、気候パターン、エネルギー消費、パンデミックの伝播の評価は、MACTS-EMが既存の手法よりも多くのシナリオで優れていることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting remains a critical challenge across numerous domains. Despite significant advancements, existing approaches struggle with complex phenomena such as regime shifts, cross-domain knowledge transfer, and multimodal data integration. This paper introduces Multi-Agent Collaborative Time Series Forecasting with Emergent Memory (MACTS-EM), a novel framework where specialised agents collaborate to achieve superior forecasting performance. The MACTS-EM architecture integrates: (1) domain-specialised forecasting agents for pattern recognition, anomaly detection, causal inference, and uncertainty quantification; (2) a meta-cognitive layer for dynamic agent allocation; (3) an emergent memory mechanism enabling cross-domain pattern transfer; (4) multimodal contextual integration; and (5) adversarial robustness components. Evaluation across financial markets, climate patterns, energy consumption, and pandemic propagation demonstrates that MACTS-EM outperforms existing approaches in most scenarios, with 8-12% improvement in forecasting accuracy, 22-27% better zero-shot transfer capability, 16-21% enhanced resilience during regime shifts, and 15-18% faster recovery after distribution shifts. Our findings suggest that collaborative, agentic approaches to time series forecasting represent a promising direction beyond traditional architectures, particularly for complex real-world scenarios requiring multi-resolution temporal understanding and contextual adaptation.
• Abstract（参考訳）: 時系列予測は多くの領域において重要な課題である。 大幅な進歩にもかかわらず、既存のアプローチは、システマティックシフト、ドメイン間の知識伝達、マルチモーダルデータ統合といった複雑な現象に苦慮している。 本稿では,Multi-Agent Collaborative Time Series Forecasting with Emergent Memory (MACTS-EM)を提案する。 MACTS-EMアーキテクチャは,(1)パターン認識,異常検出,因果推論,不確実性定量化のためのドメイン特定予測エージェント,(2)動的エージェント割り当てのためのメタ認知層,(3)クロスドメインパターン転送を可能にする創発的メモリ機構,(4)マルチモーダルコンテキスト統合,(5)敵の堅牢性コンポーネントを統合している。 金融市場、気候パターン、エネルギー消費、パンデミックの伝播を評価すると、MACTS-EMは予測精度が8-12%向上し、ゼロショット転送能力が22-27%向上し、レジームシフト時のレジリエンスが16-21%向上し、分布シフト後の回復速度が15-18%向上した。 時系列予測への協調的エージェント的アプローチは,特に多段階の時間的理解と文脈適応を必要とする複雑な現実のシナリオにおいて,従来のアーキテクチャを超える有望な方向を示すことが示唆された。

関連論文リスト

• Episodic Memory Temporal Consistency for Cooperative Multi-Agent Reinforcement Learning [17.62926868585848]
  MARL(Cooperative Multi-Agent Reinforcement Learning)は、しばしば重度の報酬の分散と探索ボトルネックに悩まされる。 本稿では,歴史的経験をしっかりと構築し,選択的に活用するフレームワークであるEMTC(Epsodic Memory Temporal Consistency)を提案する。 EMTCは、超硬度SMACシナリオで最大24%の絶対勝利率改善を実現し、GRFタスク全体で平均28%の改善を実現している。
  論文  参考訳（メタデータ） (2026-06-03T06:15:39Z)
• AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition [62.16431420189863]
  LLMに基づくマルチモーダル感情認識は静的なパラメトリックメモリに依存しており、ニュアンス化された感情状態の解釈時にしばしば幻覚を与える。 本稿では,感情指向型マルチエージェント検索拡張生成フレームワークであるAffectAgentを紹介する。 AffectAgentは3つの共同最適化されたエージェント、すなわちクエリプランナー、エビデンスフィルタ、感情生成器から構成される。
  論文  参考訳（メタデータ） (2026-04-14T13:49:19Z)
• UniMamba: A Unified Spatial-Temporal Modeling Framework with State-Space and Attention Integration [24.102050375727263]
  UniMambaは、統合された時空間予測フレームワークである。 これは、効率的な状態空間のダイナミクスと注意に基づく依存性学習を統合する。 予測精度と計算効率の両方において、最先端の予測モデルより一貫して優れている。
  論文  参考訳（メタデータ） (2026-03-06T05:00:28Z)
• SurvAgent: Hierarchical CoT-Enhanced Case Banking and Dichotomy-Based Multi-Agent System for Multimodal Survival Prediction [49.355973075150075]
  マルチモーダルサバイバル予測のための最初の階層的チェーン・オブ・シント(CoT)強化マルチエージェントシステムであるSurvAgentを紹介する。 SurvAgentは2つの段階から構成される: WSI-Gene CoT-Enhanced Case Bank Constructionは、低磁化スクリーニング、クロスモーダル類似性-アウェアパッチマイニング、および病理画像に対する信頼-アウェアパッチマイニングを通じて階層解析を使用する。 二分法に基づくMulti-Expert Agent Inferenceは、RAGを介して類似の事例を検索し、段階的間隔改善による専門家予測とマルチモーダルレポートを統合する。
  論文  参考訳（メタデータ） (2025-11-20T18:41:44Z)
• HierCVAE: Hierarchical Attention-Driven Conditional Variational Autoencoders for Multi-Scale Temporal Modeling [7.900277891102576]
  複雑なシステムにおける時間モデリングには、複数の時間スケールで依存関係をキャプチャする必要がある。 階層型アテンション機構と条件付き変分オートエンコーダを組み合わせた新しいアーキテクチャであるHierCVAEを提案する。
  論文  参考訳（メタデータ） (2025-08-26T10:55:35Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• MCDFN: Supply Chain Demand Forecasting via an Explainable Multi-Channel Data Fusion Network Model [0.0]
  CNN,Long Short-Term Memory Network (LSTM), Gated Recurrent Units (GRU)を統合したハイブリッドアーキテクチャであるMulti-Channel Data Fusion Network (MCDFN)を紹介する。 我々の比較ベンチマークは、MCDFNが他の7つのディープラーニングモデルより優れていることを示している。 本研究は,需要予測手法を進歩させ,MCDFNをサプライチェーンシステムに統合するための実践的ガイドラインを提供する。
  論文  参考訳（メタデータ） (2024-05-24T14:30:00Z)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)
• 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)

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。