論文の概要: Training-Free Continual Learning for Multimodal Forecasting via Prompt Evolution

• arxiv url: http://arxiv.org/abs/2610.27468v1
• Date: Tue, 20 Oct 2026 01:38:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.579348
• Title: Training-Free Continual Learning for Multimodal Forecasting via Prompt Evolution
• Title（参考訳）: プロンプト進化によるマルチモーダル予測のためのトレーニングフリー連続学習
• Abstract要約: 我々は、タイムリーベンチマークに共通するデータ漏洩を防止するために、厳密な汚染制御の下で、GEPAスタイルのプロンプト進化を実行する。 Llama-3.3-70B による900ワードの進化したガイダンスは、保持データ上で TimeSeries Foundation Models (TSFMs) を破る。 連続的な即時進化は、マルチモーダル予測のための再訓練に代わる、実践的で訓練のない代替手段である、と我々は主張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adapting a forecasting system to a changing world classically means retraining. We ask whether the task of continually learning regimes for time series forecasting can be represented by a piece of text: a guidance block, evolved by outcome-driven reflection and used in a frozen LLM forecaster's prompt. On a refreshed multimodal benchmark (weekly search indices, daily currencies, daily commodities, each window paired with web-retrieved news), we run GEPA-style prompt evolution under strict contamination control to prevent the data leakage common in timeseries benchmarks: the forecaster's knowledge cutoff predates every evaluated window. A 900-word evolved guidance carried by Llama-3.3-70B beats TimeSeries Foundation Models (TSFMs) on held-out data (GM MASE 0.776 vs. 0.898 for TabPFN-TS-3), transfers to more recent models without measurable loss, and costs dollars rather than GPU-days to update. We characterize the loop: out-of-loop gains concentrate in the first reflection, in-loop improvements overstate out-of-loop gains 2-3x unless an untouched monitor arbitrates, and error-only objectives silently suppress the text modality. We provide two extensions. First, compiling the guidance into executable code with a TSFM as a callable tool recovers most of the gain deterministically. Second, ablations show the advantage widens at short horizons and that removing the news text does not hurt the guided forecaster, consistent with the text's value being distilled into policy during learning. We argue that continual prompt evolution is a practical, training-free alternative to retraining for multimodal forecasting.
• Abstract（参考訳）: 予測システムを古典的に変化する世界に適応することは再訓練を意味する。 我々は、時系列予測のための規則を継続的に学習するタスクが、一片のテキストで表現できるかどうかを問う: 誘導ブロックは、結果駆動の反射によって進化し、凍結したLCM予測器のプロンプトで使用される。 更新されたマルチモーダルベンチマーク(週毎のインデックス、日毎の通貨、日毎の商品、各ウィンドウとWeb検索されたニュース)では、厳密な汚染制御の下でGEPAスタイルのプロンプト進化を実行し、タイムリーベンチマークで一般的なデータ漏洩を防止する。 Llama-3.3-70Bによる900ワードの進化的ガイダンスは、保持データ(GM MASE 0.776 vs. 0.898 for TabPFN-TS-3)でTimeSeries Foundation Models(TSFMs)を破り、測定不能な損失を伴わずに最新のモデルに移行し、GPUよりもコストがかかる。 ループ外ゲインは最初のリフレクションに集中し、ループ外ゲインは未タッチモニタが調停しない限りループ内ゲインは2～3倍になり、エラーのみの目的はテキストのモダリティを静かに抑制する。 私たちは2つの拡張を提供します。 まず、TSFMをコール可能なツールとして実行可能コードにコンパイルすることで、ゲインの大部分を決定論的に回収する。 第二に、短い地平線で利点が拡大し、ニューステキストを削除することは、学習中にそのテキストの価値がポリシーに蒸留されるのと一致して、ガイド付き予測者を傷つけることはない。 我々は、継続的迅速な進化は、マルチモーダル予測の再訓練に代わる実践的で、訓練のない代替手段であると主張する。

関連論文リスト

• ReflexTrack: A Feedback-Driven Agent for Training-Free Referring Video Object Segmentation [63.38679125666075]
  オブジェクトセグメンテーション(RVOS)を参照するには、ビデオを通して自然言語で指定されたターゲットをセグメンテーションする必要がある。 近年のエージェントアプローチでは,タスク固有のトレーニングなしでRVOSを実行するために,マルチモーダルな大規模言語モデルと迅速なセグメンテーションモデルを組み合わせている。 トレーニング不要でフィードバック駆動型エージェントであるReflexTrackを導入し、空間的および時間的両方のレベルでループを閉じる。
  論文  参考訳（メタデータ） (2026-07-27T07:39:20Z)
• RL Forgets! Towards Continual Policy Optimization [57.4336338996653]
  継続的なポストトレーニングは、進化するタスクに視覚言語モデルを適用するための中心的なパラダイムになりつつある。 最近の研究は、強化学習が本質的に忘れやすいという信念から、教師付き微調整よりも強化学習を好んでいる。 我々は,事前タスク動作KL目標に基づくリプレイフリーフレームワークである継続ポリシー最適化(CPO)を提案する。
  論文  参考訳（メタデータ） (2026-07-05T15:46:11Z)
• From Long News to Accurate Forecast: Importance-Aware Fusion and PRM-Guided Reflection for Time Series Forecasting [37.31650180872261]
  本稿では,重要なニュース圧縮とプロセスレベルの検索監視を組み合わせた新しいフレームワークを開発する。 金融、エネルギー、トラフィック、およびbitcoin予測ベンチマークの実験は、我々の手法が強力なベースラインよりも予測精度を向上させることを示している。
  論文  参考訳（メタデータ） (2026-06-02T03:36:30Z)
• Silent Collapse in Recursive Learning Systems [24.578102943388256]
  トラジェクトリ統計をモニタし、遅い時間スケールの信頼変数を推定する軽量なメタ認知ループを提案する。 MTRは早期警告を提供し、実際のデータにアクセスすることなくサイレント崩壊を積極的に防止する。
  論文  参考訳（メタデータ） (2026-05-14T08:59:26Z)
• Training-Free Test-Time Contrastive Learning for Large Language Models [18.994863398371294]
  TF-TTCLは、大規模言語モデルのトレーニングフリー適応フレームワークである。 TF-TTCLは、3つのコアモジュールを通して動的"Explore-Reflect-Steer"ループを実装している。
  論文  参考訳（メタデータ） (2026-04-15T06:56:35Z)
• Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
  動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。 我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-12-02T14:42:54Z)
• Generative Regression Based Watch Time Prediction for Short-Video Recommendation [36.95095097454143]
  短いビデオレコメンデーションシステムでは、時計の時間予測が重要なタスクとして現れている。 最近の研究は、連続時計時間推定を正規回帰タスクに変換することによって、これらの問題に対処しようとしている。 本稿では,WTPをシーケンス生成タスクとして再構成する新しい生成回帰(GR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-28T16:48:55Z)
• Interactive Test-Time Adaptation with Reliable Spatial-Temporal Voxels for Multi-Modal Segmentation [56.70910056845503]
  マルチモーダルテストタイム適応(MM-TTA)は、補完的なマルチモーダル入力をオンライン形式で活用することにより、ラベルのないターゲットドメインにモデルを適応させる。 従来のMM-TTA法は, 時間的不整合によるフレームワイドの不安定な予測と, 信頼度誘導の仮定に反する不正確な予測の2つの大きな限界に悩まされていた。 Latte++は、より情報的な幾何学的対応によって不安定なフレーム単位の予測をより抑制し、対話型テスト時間適応(ITTA)は、努力を伴わない人間のフィードバックを促進するフレキシブルなアドオンである。
  論文  参考訳（メタデータ） (2024-03-11T06:56:08Z)
• Improving Representational Continuity via Continued Pretraining [76.29171039601948]
  トランスファーラーニングコミュニティ(LP-FT)は、ナイーブトレーニングやその他の継続的な学習方法よりも優れている。 LP-FTは、リアルタイム衛星リモートセンシングデータセット(FMoW)における忘れを減らす。 LP-FTの変種は、NLP連続学習ベンチマークで最先端の精度を得る。
  論文  参考訳（メタデータ） (2023-02-26T10:39:38Z)

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。