論文の概要: TimeRSI: Towards Self-Improved Agentic Deployment for Time-Series Foundation Models

• arxiv url: http://arxiv.org/abs/2610.19725v2
• Date: Thu, 15 Oct 2026 05:49:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:15.962113
• Title: TimeRSI: Towards Self-Improved Agentic Deployment for Time-Series Foundation Models
• Title（参考訳）: TimeRSI: 時系列基礎モデルのための自己改善型エージェント展開に向けて
• Abstract要約: TimeRSIは、凍結予測モデルを中心とした自己改善型のエージェントデプロイメントシステムである。 符号化エージェントは、タスク記述を実行可能なパイプライン変更に変換する。 デプロイメント中に、アダプティブセレクタが結果のパイプラインの中から選択する。
• 参考スコア（独自算出の注目度）: 27.911219955533344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series foundation models provide strong zero-shot forecast, but deployment for real-world applications still requires task-specific designs for model inputs and outputs. Direct inference can leave domain knowledge and recurring forecast errors unaddressed, while tailored pipelines require substantial human expertise and effort. We introduce TimeRSI, a self-improving agentic deployment system around frozen forecasting models. A coding agent translates task descriptions into executable pipeline changes. It tests each revision on historical forecasting windows and uses observed errors to guide subsequent revisions. During deployment, an adaptive selector chooses among the resulting pipelines using completed forecasts under similar conditions. Across 198 tasks on TIME and fev-bench, TimeRSI outperforms all submissions on six point and probabilistic forecasting metrics. Controlled comparisons support the value of feedback-guided revision over non-iterative pipeline search. Further experiments verify the generalization with different coding agents and forecasting models. Code is available at https://github.com/haoxin1998/TimeRSI.
• Abstract（参考訳）: 時系列基礎モデルは強力なゼロショット予測を提供するが、実際のアプリケーションへのデプロイにはモデル入力と出力のためのタスク固有の設計が必要である。 直接推論はドメインの知識を残し、予測エラーを未修正にし、調整されたパイプラインは人間の専門知識と努力を必要とする。 凍結予測モデルを中心とした自己改善型エージェント展開システムであるTimeRSIを紹介する。 符号化エージェントは、タスク記述を実行可能なパイプライン変更に変換する。 過去の予測ウィンドウで各リビジョンをテストし、観察されたエラーを使用してその後のリビジョンをガイドする。 デプロイメント中、適応セレクタは、同様の条件下で完了した予測を使用して、結果のパイプラインの中から選択する。 TIMEとfev-benchに関する198のタスクにおいて、TimeRSIは6ポイントの確率予測指標で全ての提案を上回ります。 制御された比較は、非イテレーティブパイプライン探索に対するフィードバック誘導リビジョンの価値をサポートする。 さらなる実験は、異なる符号化エージェントと予測モデルによる一般化を検証する。 コードはhttps://github.com/haoxin1998/TimeRSIで入手できる。

関連論文リスト

• SEER: Self-Evolving Event Reasoning and Retrieval for Time Series Forecasting [78.20370240878118]
  時系列予測のためのイベントコンディショニングを動的に最適化するクローズドループフレームワークSEER(Self-Evolving Event Reasoning and Retrieval)を提案する。 SEERは予測エラーを2つの分離されたフィードバックメカニズムに変換する。 イベント検索とリフレクションの両方にわたって厳格な時間境界を強制し、ルックアヘッドバイアスとデータ漏洩を防止する。
  論文  参考訳（メタデータ） (2026-10-02T22:30:10Z)
• Trio: Learning Time-Series Forecasting with Temporal-Spatial-Sample Attention and Structural Causal Priors [27.20677965052]
  近年のPFN(Presideed-Data Fitted Networks)は、合成タスクが伝達可能な推論動作の学習に役立つことを示唆している。 本稿では,Trioを提案する。Trioは時間-空間-サンプルの注意に基づく時系列予測アーキテクチャである。 本研究では,時間系列構造因果モデル (TS-SCM) を用いて,動的ラグ,異種間相互作用,ノイズ,フィードバック,分布ドリフトを含む構造化された合成予測タスクを生成する。
  論文  参考訳（メタデータ） (2026-06-05T14:01:58Z)
• 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)
• Battling the Non-stationarity in Time Series Forecasting via Test-time Adaptation [39.7344214193566]
  時系列予測(TSF)に適した先駆的なテスト時間適応フレームワークを提案する。 TSF-TTAに対する提案手法であるTAFASは、事前学習中に学習したコアセマンティック情報を保存しながら、ソース予測器をフレキシブルに適応してテスト分布を継続的にシフトさせる。 部分的に観測された真実とゲートキャリブレーションモジュールの新たな利用により、ソース予測器のプロアクティブ、ロバスト、モデルに依存しない適応が可能となった。
  論文  参考訳（メタデータ） (2025-01-09T04:59:15Z)
• Learning Pattern-Specific Experts for Time Series Forecasting Under Patch-level Distribution Shift [51.01356105618118]
  時系列はしばしば、季節、動作条件、意味的な意味など、セグメントごとに異なるパターンを持つ複雑な非一様分布を示す。 既存のアプローチでは、通常、これらのさまざまなパターンをキャプチャするために単一のモデルをトレーニングするが、しばしばパッチ間のパターンのドリフトに苦労する。 より正確で適応可能な時系列予測にパターン特化の専門家を活用する新しいアーキテクチャであるTFPSを提案する。
  論文  参考訳（メタデータ） (2024-10-13T13:35:29Z)
• EXPRTS: Exploring and Probing the Robustness of Time Series Forecasting Models [1.23187154417297]
  我々は時系列を生成するための解釈可能でシンプルなフレームワークを開発する。 本手法は時系列分解と解析関数を組み合わせることで,分布内データと分布外データの両方に一致する特性を持つ時系列を生成することができる。 私たちは、モデルロバスト性を改善するために、我々のフレームワークが意味のあるOOD時系列を生成する方法を示します。
  論文  参考訳（メタデータ） (2024-03-06T07:34:47Z)
• MPR-Net:Multi-Scale Pattern Reproduction Guided Universality Time Series Interpretable Forecasting [13.790498420659636]
  時系列予測は、その広範な応用が本質的に困難なため、既存の研究から幅広い関心を集めている。 本稿では,まず,畳み込み操作を用いてマルチスケールの時系列パターンを適応的に分解し,パターン再現の既知に基づいてパターン拡張予測手法を構築し,最終的に畳み込み操作を用いて将来的なパターンを再構築する。 時系列に存在する時間的依存関係を活用することで、MPR-Netは線形時間複雑性を達成するだけでなく、予測プロセスも解釈できる。
  論文  参考訳（メタデータ） (2023-07-13T13:16:01Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。