論文の概要: EvoCast: Reliable Autonomous Research Agents for Iterative Forecasting Architecture Evolution

• arxiv url: http://arxiv.org/abs/2610.04517v1
• Date: Sat, 03 Oct 2026 13:30:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 19:12:30.21109
• Title: EvoCast: Reliable Autonomous Research Agents for Iterative Forecasting Architecture Evolution
• Title（参考訳）: EvoCast: 反復予測アーキテクチャ進化のための信頼性の高い自律的研究エージェント
• Abstract要約: EvoCastは、アーキテクチャの進化を反復予測するための完全に自律的な研究エージェントシステムである。 その中心となる設計である認知-権威分離は、オープンな仮説生成とコード実装をLLMエージェントに割り当てる。 結果として、EvoCastは実装の成功とエージェント側のトークン/時間コストの低減により、複雑なアーキテクチャ修正を完了します。
• 参考スコア（独自算出の注目度）: 17.255496457421966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep time-series forecasting models have rapidly diversified, yet adapting them to a specific task still requires extensive expert effort in model selection, mechanism diagnosis, architecture design, implementation, and evaluation. Existing AutoML methods are constrained by predefined search spaces, while general-purpose LLM research agents lack reliable control over experimental protocols and model promotion. We introduce EvoCast, a fully autonomous research-agent system for iterative forecasting architecture evolution. EvoCast first establishes and diagnoses a task-specific baseline through executed mechanism ablations, then generates evidence-grounded research directions from dataset characteristics, diagnostic results, prior rounds, and failure records. Its central design, cognition-authority separation, assigns open-ended hypothesis generation and code implementation to LLM agents, while deterministic program authorities control source-edit boundaries, canonical evaluation, and promotion decisions. Experimental outcomes are accumulated as evidence to guide subsequent rounds. Results show that EvoCast completes complex architecture modifications with higher implementation success and lower agent-side token/time cost, and develops task-specific architectures that outperform selected baselines, strong forecasting models, and agent baselines in three real-world forecasting cases. The code is available at https://github.com/18e0-x/EvoCast.
• Abstract（参考訳）: 深層時系列予測モデルは急速に多様化しているが、特定のタスクに適応するためには、モデル選択、メカニズム診断、アーキテクチャ設計、実装、評価において広範な専門的な努力が必要である。 既存のAutoMLメソッドは事前に定義された検索空間によって制約されるが、汎用LLM研究エージェントは実験プロトコルやモデルプロモーションの信頼性に欠ける。 アーキテクチャ進化を反復予測するための完全自律型リサーチエージェントシステムであるEvoCastを紹介する。 EvoCastはまず、実行されたメカニズムの短縮を通じてタスク固有のベースラインを確立し、診断し、その後、データセットの特徴、診断結果、事前ラウンド、障害レコードからエビデンスに基づく研究方向を生成する。 その中心となる設計、認識と権威の分離は、LLMエージェントにオープンな仮説生成とコード実装を割り当て、決定論的プログラム当局はソース編集境界、標準評価、プロモーション決定を制御している。 実験結果はその後のラウンドを導く証拠として蓄積される。 以上の結果から,EvoCastは実装成功とエージェント側トークン/時間コストの低減による複雑なアーキテクチャ変更を完了し,選択されたベースライン,強力な予測モデル,エージェントベースラインを3つの実世界の予測ケースで上回るタスク固有アーキテクチャを開発した。 コードはhttps://github.com/18e0-x/EvoCast.comで入手できる。

関連論文リスト

• CIPHER: A Decoupled Exploration-Selection Framework for Test-Time Scaling of Data Science Agents [1.4057557845067372]
  CIPHERは自動データサイエンスエージェントで、同時実行のための複数の初期状態の生成と選択を通じてテスト時間のスケーリングを活用する。 マッチングモデルの比較において,CIPHERが最先端性能を上回ることを示す。 本研究は,Decoupled Exploration-Selectionフレームワークの設計空間を特徴付けるものである。
  論文  参考訳（メタデータ） (2026-07-15T22:01:21Z)
• An Experimental Design Approach to Evaluating Agentic AI's Autonomous Model Discovery [4.502708670326481]
  大規模言語モデル符号化エージェントは、ますますオープンなデータモデリングと分析を行うようになっている。 この発見過程を評価するための実験的な設計・分析フレームワークを提案する。 本研究は, 推理効果の優位な方向を特徴付けるために, 実用性に整合した正準分解法を開発した。
  論文  参考訳（メタデータ） (2026-07-07T15:43:22Z)
• AgentX: Towards Agent-Driven Self-Iteration of Industrial Recommender Systems [82.01232437066487]
  AgentXはプロダクションデプロイされたマルチエージェントシステムで、このプロダクション機能を再構築する。 自律的に生成し、実装し、評価し、レコメンデーション実験から学ぶ。 AgentXは4つの密結合したステージをクローズドループでオーケストレーションする。
  論文  参考訳（メタデータ） (2026-06-25T10:42:28Z)
• Towards Automated Ontology Generation from Unstructured Text: A Multi-Agent LLM Approach [1.029029220360574]
  大規模言語モデル(LLM)は将来性を示すが、どのアーキテクチャ設計が生成品質を駆動するかは定かではない。 本研究は、ドメイン固有の保険契約を用いて、これらの課題を調査するための制御された実験的研究である。 その結果,マルチエージェントアプローチは構造的品質を著しく向上し,クエリ可能性も適度に向上することがわかった。
  論文  参考訳（メタデータ） (2026-04-25T00:58:17Z)
• AI-Supervisor: Autonomous AI Research Supervision via a Persistent Research World Model [1.14219428942199]
  既存の自動研究システムは、ステートレスでリニアなパイプラインとして動作する。 マルチエージェントオーケストレーションフレームワークである textbfAI-Supervisor を提案する。 エージェントは、人間の関心によって駆動されるエンドツーエンドのAI研究の監督を提供する。
  論文  参考訳（メタデータ） (2026-03-25T15:16:51Z)
• OR-Agent: Bridging Evolutionary Search and Structured Research for Automated Algorithm Discovery [10.217363774023033]
  OR-Agentは、リッチな実験環境における自動探査のために設計されたマルチエージェントの研究フレームワークである。 本稿では,研究開始点の進化的選択,総合的な研究計画生成,研究ツリー内の協調探索を統一する進化的システム機構を提案する。 我々は古典的最適化ベンチマーク(走行セールスマン、静電容量化車両ルーティング、ビンパッキング、オリエンテーリング、および複数のクナップサック問題を含む)およびシミュレーションに基づく協調運転シナリオを含む実験を行う。
  論文  参考訳（メタデータ） (2026-02-14T13:32:03Z)
• Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
  Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。 本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-06-22T16:52:48Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
  大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。 本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。 私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
  論文  参考訳（メタデータ） (2025-03-27T12:50:17Z)

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。