論文の概要: Is the Future Predictable? Modeling Future Predictability for Reliable Temporal Reasoning

• arxiv url: http://arxiv.org/abs/2610.14073v1
• Date: Thu, 08 Oct 2026 03:46:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.007274
• Title: Is the Future Predictable? Modeling Future Predictability for Reliable Temporal Reasoning
• Title（参考訳）: 未来は予測可能か? : 信頼性のある時間推論のための予測可能性のモデル化
• Abstract要約: 未来志向の時間的推論タスクであるChronoRegimeを導入し、過去の時間的証拠が将来の回答へのコミットメントを正当化するかどうかをモデルに求める。 また、時間的ダイナミクスから将来の予測可能性を推定し、それに応じて回答のコミットメントを規制するフレームワークであるCTR(Confidence-Aware Temporal Reasoning)を提案する。
• 参考スコア（独自算出の注目度）: 13.349299929222004
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large language models (LLMs) remain unreliable when reasoning about the future. Existing models often overlook the difference among future states, committing to specific answers even when the queried facts are inherently volatile. To capture this challenge, we introduce ChronoRegime, a future-oriented temporal reasoning task that requires models to determine whether historical temporal evidence justifies commitment to a future answer. Furthermore, we propose Confidence-Aware Temporal Reasoning (CTR), a framework that estimates future predictability from temporal dynamics and regulates answer commitment accordingly. Rather than performing unconditional forecasting, CTR commits only when the reconstructed evidence supports the target future state. Across multiple LLMs, CTR improves strict overall accuracy by 6.7 percentage points and reduces hallucination rates by 18.4 percentage points on average over the plain QA baseline. These results demonstrate that explicit predictability assessment is an effective mechanism for safer and more reliable temporal reasoning under future uncertainty.
• Abstract（参考訳）: 言語モデル(LLM)は、将来について考えると信頼性が低いままである。 既存のモデルは多くの場合、将来の状態の違いを見落とし、クエリされた事実が本質的に揮発性である場合でも、特定の答えをコミットする。 この課題を克服するために、ChronoRegimeを紹介した。ChronoRegimeは、過去の時間的証拠が将来の回答へのコミットメントを正当化するかどうかをモデルに求める、未来志向の時間的推論タスクである。 さらに、時間的ダイナミクスから将来の予測可能性を推定し、それに応じて回答のコミットメントを規制するフレームワークであるCTR(Confidence-Aware Temporal Reasoning)を提案する。 非条件予測を行う代わりに、CTRは、再構成された証拠が将来の目標状態を支持する場合にのみコミットする。 複数のLCM全体で、CTRは厳密な全体的な精度を6.7ポイント改善し、幻覚率を平均18.4ポイント引き下げる。 これらの結果は,将来の不確実性下での安全で信頼性の高い時間的推論において,明確な予測可能性評価が有効なメカニズムであることを示す。

関連論文リスト

• FinAbstain: Uncertainty-Calibrated Multimodal RAG for Selective Financial Forecasting [8.891247829087936]
  FinAbstainは、不確実性を校正したマルチモーダル検索拡張生成のためのフレームワークである。 ポイント・イン・タイム・レトリバーは、予測タイムスタンプで公開された情報のみを認め、基本、ニュース、技術、リスク、検証エージェントにモダリティ固有の証拠を提供する。 コントローラは、不確実性が検証された閾値以下である場合にのみ、強気、弱気または中立的な結果を予測する。
  論文  参考訳（メタデータ） (2026-07-27T07:05:22Z)
• Existence Precedes Value: Joint Modeling of Observational Existence and Evolving States in Time Series Forecasting [15.993594186846826]
  実世界の時系列は、しばしばセンサーの休眠、送信遅延、イベント駆動サンプリングのために、非常に不完全で不規則である。 タイムフライ(Timeflies)は、将来の観測可能性推定と価値推定の連立問題として予測を再構築する統合されたフレームワークである。
  論文  参考訳（メタデータ） (2026-06-11T16:59:42Z)
• Probing the Reliability of Driving VLMs: From Inconsistent Responses to Grounded Temporal Reasoning [17.08518699175473]
  運転支援システムとして応用されたビジョン・ランゲージ・モデル(VLM)は,現状の観測結果が今後の成果をどう形作るのかを概説し,理解することができるかを検討する。 強い視覚的理解を持つモデルは、時間的推論を必要とするタスクにおいて必ずしも最善を尽くさない。 本稿では、時間ラベルを必要とせず、一貫性と時間的推論の両方を改善するチェーン・オブ・ソート推論を用いた、シンプルで効果的な自己教師付きチューニング手法を提案する。
  論文  参考訳（メタデータ） (2026-03-10T11:12:28Z)
• From Observations to States: Latent Time Series Forecasting [65.98504021691666]
  本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。 具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。 提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
  論文  参考訳（メタデータ） (2026-01-30T20:39:44Z)
• Measuring Time Series Forecast Stability for Demand Planning [0.0]
  時系列予測はサプライチェーンの需要計画を作成するための重要な第一歩だ。 プロダクションシステムでは、要求プランナーは漸進的な精度の改善よりも一貫性と安定性を重んじることが多い。 アンサンブルモデルでは,予測精度を著しく劣化させる(あるいは改善する)ことなく,安定性が向上することを示す。
  論文  参考訳（メタデータ） (2025-08-13T04:21:37Z)
• Consistency Checks for Language Model Forecasters [54.62507816753479]
  予測器の性能を,論理的に異なる質問に対する予測の整合性の観点から測定する。 我々は,一連の基本質問を生成し,これらの質問から整合性チェックをインスタンス化し,予測者の予測を導き,予測の整合性を測定する自動評価システムを構築した。
  論文  参考訳（メタデータ） (2024-12-24T16:51:35Z)
• Selective Temporal Knowledge Graph Reasoning [70.11788354442218]
  時間的知識グラフ(TKG)は、与えられた歴史的事実に基づいて将来の事実を予測することを目的としている。 既存のTKG推論モデルは、不確実な予測を控えることができない。 本稿では,既存のモデルが無差別な予測ではなく選択的に行うのに役立つ,TKG推論の棄却機構を提案する。
  論文  参考訳（メタデータ） (2024-04-02T06:56:21Z)
• 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)
• VisFIS: Visual Feature Importance Supervision with Right-for-the-Right-Reason Objectives [84.48039784446166]
  モデルFI監督は、VQAモデルの精度と、Right-to-the-Right-Reasonメトリクスの性能を有意義に向上させることができることを示す。 我々の最高のパフォーマンス手法であるVisual Feature Importance Supervision (VisFIS)は、ベンチマークVQAデータセットで強いベースラインを上回ります。 説明が妥当で忠実な場合には予測がより正確になる。
  論文  参考訳（メタデータ） (2022-06-22T17:02:01Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)

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。