論文の概要: ChronoScribe: Semantic-Numerical Specialization for Instruction-Driven Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.16345v1
• Date: Mon, 12 Oct 2026 08:03:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.332535
• Title: ChronoScribe: Semantic-Numerical Specialization for Instruction-Driven Time Series Forecasting
• Title（参考訳）: ChronoScribe: 命令駆動時系列予測のための意味-数値特殊化
• Abstract要約: 大規模言語モデル(LLM)は、構造化されていない要求を解釈できるが、予測値を直接生成するように要求されると不正確になる可能性がある。 時系列基礎モデル(TSFM)は数値予測を提供するが、典型的には対象の時系列、コンテキストウィンドウ、地平線を指定する構造化された入力を必要とする。 このワークフローに意味数値の特殊化を適用したChronoScribeを提案する。
• 参考スコア（独自算出の注目度）: 18.481753642826423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in instruction-driven time series forecasting highlight a fundamental tension: systems must simultaneously master natural-language instruction following and precise numerical prediction. Current approaches often force a compromise. Large language models (LLMs) can interpret unstructured requests but may be inaccurate when asked to produce forecast values directly, whereas time series foundation models (TSFMs) provide numerical forecasts but typically require structured inputs specifying the target series, context window, and horizon. We present ChronoScribe, which applies semantic-numerical specialization to this workflow. A LoRA-adapted LLM proposes an execution path and context length; deterministic rules resolve the executable configuration. On the specialist path, a frozen TSFM produces quantile trajectories for the task-specified horizon. Deterministic trajectory summaries condition the response, while the LLM neither generates nor revises predicted values. We evaluate a Qwen3.5-9B--Chronos-2 implementation across 23 evaluation dimensions and 30 public datasets against eleven proprietary direct LLMs and three open TSFMs. ChronoScribe has the lowest error on sMAPE, MASE, WAPE, RMSE, and MAE among all evaluated systems, including fixed-context controls. Across these metrics, even the lowest direct-LLM error remains 2.0--2.7 times the corresponding ChronoScribe error. At the system level, ChronoScribe achieves a Task-Level Score (TLS) of 65.5, 10.6 points above the strongest direct-LLM baseline. The results support ChronoScribe's division of labor, in which the LLM handles interpretation, configuration, and communication while the TSFM handles numerical forecasting.
• Abstract（参考訳）: 命令駆動時系列予測の最近の進歩は基本的な緊張を浮き彫りにしている。 現在のアプローチはしばしば妥協を迫られる。 大規模言語モデル (LLMs) は非構造化要求を解釈できるが、予測値を直接生成するよう求められたときは不正確な場合があるが、時系列基礎モデル (TSFMs) は数値予測を提供するが、通常、ターゲットのシリーズ、コンテキストウィンドウ、水平線を指定する構造化入力を必要とする。 このワークフローに意味数値の特殊化を適用したChronoScribeを提案する。 LoRAに適応したLLMは実行パスとコンテキスト長を提案し、決定論的ルールが実行可能構成を解決する。 スペシャリストパスでは、凍ったTSFMがタスク特定水平線のための量子軌道を生成する。 決定論的軌跡要約は応答を条件とし、LSMは予測値の生成も修正もしない。 我々は,Qwen3.5-9B-Chronos-2の実装を,23の評価次元と30の公開データセットに対して,11のプロプライエタリなLSMと3つのオープンTSFMに対して評価した。 ChronoScribeは、固定コンテキスト制御を含む全ての評価システムの中で、sMAPE、MASE、WAPE、RMSE、MAEの誤差が最も低い。 これらの指標全体で、最も低い直接LLMエラーでさえ、対応するChronoScribeエラーの2.0--2.7倍である。 システムレベルでは、ChronoScribeは65.5,10.6ポイントのタスクレベルスコア(TLS)を最強の直接LLMベースラインより上回っている。 結果は、TSFMが数値予測を処理する間、LLMが解釈、構成、通信を扱うクロノ・スクレーブの分業を支援する。

関連論文リスト

• LLM as Forecasting Planner: Training-Free Text Conditioning for Time-Series Foundation Models [7.741162056503623]
  時系列基礎モデル(TSFM)は強い数値予測を提供するが、大きな言語モデル(LLM)はテキスト上で推論できる。 我々は、TSFM生成軌道上での予測を計画問題として定式化する。 これをrc(textbfLLM textbfAs textbfForecasting textbfPlanner)としてインスタンス化する。
  論文  参考訳（メタデータ） (2026-07-27T15:02:40Z)
• GuideMe: Multi-Domain Task Guidance and Intervention in Streaming Video [54.048366682378706]
  クローズドループ対話型タスクガイダンスのためのMLLMのトレーニングと評価を支援する,ストリーミングビデオのための最初のマルチドメインベンチマークである GuideMe を構築した。 223.7時間にわたる2,458本のビデオ(料理、オブジェクト操作、日常生活指導、フィットネスなど)と、次のステップの指示、完了フィードバック、エラー検出、修正ガイダンスを含む47,775本の対話サンプルで構成されている。
  論文  参考訳（メタデータ） (2026-07-03T06:00:04Z)
• Identifying and Mitigating Systemic Measurement Bias in Production LLM Inference Benchmarks [5.044646432723069]
  ベンチマークユーティリティは、基本的なクライアント側キューのボトルネックを導入する、シングルプロセスの非同期駆動アーキテクチャに依存していることを示す。 クライアント側の負荷を効果的に分散し、無視可能なキューオーバヘッドを保証する、バイアスのないマルチプロセス評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-22T20:57:26Z)
• Nexus : An Agentic Framework for Time Series Forecasting [72.73790673303154]
  時系列予測は、ニュースやイベントのような構造化されていないコンテキストデータによる推論を必要とする。 予測を特殊なステージに分解するマルチエージェント予測フレームワークであるNexusを紹介します。 本研究では,現在のLLMは,従来よりも強い固有予測能力を有することを示す。
  論文  参考訳（メタデータ） (2026-05-14T05:12:13Z)
• Reasoning-Aware Training for Time Series Forecasting [44.62309170542093]
  Time Series Foundation Models (TSFMs) は数値予測では優れているが、定性的推論を欠いたブラックボックスとして運用されている。 テキストトークンライザは連続した数値を断片化し、数学的関係を劣化させ、配列の長さを爆発させる。 STRIDE (Strategic Time-Series Reasoning Injected by Distilled Embeddings) について紹介する。 STRIDEは離散トークンの代わりに、トレースの推論を軽量のLCMに蒸留し、ターゲットの数値エンコーダに先立って平均プールされた隠された状態をクロスモーダルとして動的に投影する。
  論文  参考訳（メタデータ） (2026-05-09T02:41:47Z)
• Cluster Workload Allocation: Semantic Soft Affinity Using Natural Language Processing [0.0]
  本稿では,自然言語処理を用いたクラスタシステムのためのセマンティックな意図駆動型スケジューリングパラダイムを提案する。 このシステムは、スケジューラ拡張子を介して統合されたLarge Language Cluster Model (LLM)を使用して、ソフトアフィニティの好みに対する自然言語アロケーションヒントアノテーションを解釈する。
  論文  参考訳（メタデータ） (2026-01-14T08:36:21Z)
• Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback [55.284574165467525]
  Time-RA(Time-Series Reasoning for Anomaly)は、時系列異常検出を生成的、推論集約的なタスクに変換する。 また,実世界のマルチモーダルベンチマークデータセットであるRATs40Kを導入する。
  論文  参考訳（メタデータ） (2025-07-20T18:02:50Z)
• LLM-PS: Empowering Large Language Models for Time Series Forecasting with Temporal Patterns and Semantics [56.99021951927683]
  Time Series Forecasting (TSF) は、金融計画や健康モニタリングなど、多くの現実世界のドメインにおいて重要である。 既存のLarge Language Models (LLM) は通常、時系列データ固有の特性を無視するため、非最適に実行する。 時系列データから基本的なtextitPatterns と有意義な textitSemantics を学習し,TLF のための LLM-PS を提案する。
  論文  参考訳（メタデータ） (2025-03-12T11:45:11Z)
• Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
  時系列予測は多くの実世界の力学系において重要な意味を持つ。 時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。 Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
  論文  参考訳（メタデータ） (2023-10-03T01:31:25Z)

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。