論文の概要: Rethinking Agentic Model Orchestration for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.29504v1
• Date: Wed, 21 Oct 2026 09:55:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.305783
• Title: Rethinking Agentic Model Orchestration for Time Series Forecasting
• Title（参考訳）: 時系列予測のためのエージェントモデルオーケストレーションの再考
• Abstract要約: 時系列基礎モデル(TSFM)は予測タスク全体にわたって不均一に実行される。 最近の研究では、エージェントモデルオーケストレーション(AMO)を使用してTSFMを選択したり組み合わせたりしている。 凍結予測を用いた制御評価プロトコルであるFairAMOを紹介する。
• 参考スコア（独自算出の注目度）: 47.98653944189193
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Time series foundation models (TSFMs) perform unevenly across forecasting tasks. Recent work uses agentic model orchestration (AMO) to select or combine TSFMs, often outperforming individual forecasters. Yet these gains may reflect stronger or more complementary candidates rather than better orchestration. To disentangle these effects, we introduce FairAMO, a controlled evaluation protocol with frozen candidate forecasts. Experiments on GIFT-Eval show that AMO improves accuracy, but its gains are bounded by the candidate TSFMs. The best orchestrators reduce MASE by less than 6% relative to the best single TSFM across all tasks. These gains depend on complementarity (different candidates excel on different tasks) rather than the number of candidates. Adding members yields diminishing returns, and a redundant member can erase these gains. The value of historical evidence also saturates quickly. A few recent windows capture all gains, and further history adds none. These findings separate system-level forecasting gains from the contribution of orchestration itself.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)は予測タスク全体にわたって不均一に実行される。 最近の研究では、エージェントモデルオーケストレーション(AMO)を使用してTSFMを選択したり組み合わせたりしている。 しかし、これらの利得は、より優れたオーケストレーションよりも、より強く、より補完的な候補を反映する可能性がある。 この効果を解消するために,凍結予測を用いた制御評価プロトコルであるFairAMOを導入する。 GIFT-Evalの実験では、AMOは精度を向上するが、その利得は候補TSFMによって制限される。 最高のオーケストレータは、すべてのタスクで最高の単一のTSFMと比較して、MASEを6%以下に削減する。 これらの利得は、候補の数よりも相補性(異なる候補が異なるタスクで優れる)に依存する。 メンバの追加はリターンを減少させ、冗長なメンバはこれらのゲインを削除することができる。 歴史的証拠の価値も急速に飽和した。 最近のいくつかのウィンドウはすべてのゲインをキャプチャし、さらに歴史は追加しない。 これらの結果は、オーケストレーション自体の貢献から、システムレベルの予測ゲインを分離している。

関連論文リスト

• What Makes World Action Models Generalize? An Empirical Study of Test-Time Future Modeling [60.33876128319945]
  世界行動モデル(WAM)は、トレーニング中の行動と共に未来を予測する。 WAMは、分散処理タスクにおいて明示的なタスクと一致するが、もともとWAMを動機付けていた一般化の利点を保たないことがわかった。 提案するSimple-WAMは,将来のモデリングを完全ノイズ付きビデオトークンの1つの前方通過に単純化する。
  論文  参考訳（メタデータ） (2026-09-28T11:56:57Z)
• Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models [50.877082340479085]
  時系列基礎モデル (TSFM) の違いが, 様々な予測設定にまたがって, 特定の性能プロファイルを示すかを検討する。 TSFMの新しい調停フレームワークであるSynapseを提案する。 その結果、Synapseは個々のTSFMだけでなく、他の一般的なアンサンブル技術よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-11-07T18:01:51Z)
• Beyond the Strongest LLM: Multi-Turn Multi-Agent Orchestration vs. Single LLMs on Benchmarks [23.291432147696018]
  複数の大規模言語モデル(LLM)エージェントが複数回にわたって対話するマルチターンマルチエージェントオーケストレーションについて,回答を反復的に提案したり,コンセンサスに到達するまで投票を行ったりすることで検討する。 GPQA-Diamond, IFEval, MuSRの4つのLCM(Gemini 2.5 Pro, GPT-5, Grok 4, Claude Sonnet 4)を用いて, GPQA-Diamond, IFEval, MuSRの2つの実験を行った。
  論文  参考訳（メタデータ） (2025-09-28T00:15:21Z)
• One-Embedding-Fits-All: Efficient Zero-Shot Time Series Forecasting by a Model Zoo [82.65837388129746]
  Time Series Foundation Models (TSFM) はゼロショット予測を大幅に進歩させた。 異なるモデルが異なる時間パターンの好みを示すため、単一のTSFMが普遍的に優れているものはない。 本稿では,各モデルの予測強度を特徴付けるZooCastを提案する。
  論文  参考訳（メタデータ） (2025-09-04T13:34:54Z)
• Less is More: Unlocking Specialization of Time Series Foundation Models via Structured Pruning [27.23328609888911]
  時系列基礎モデル 広大なパラメータを事前訓練し、驚くべきゼロショット予測性能を達成する。 驚くべきことに、微調整後も、TSFMは、フルショットダウンストリームデータでトレーニングされた、より小さな、特殊なモデルよりも一貫してパフォーマンスを向上することはできない。 より関連性が高くコンパクトなパラメータ空間に焦点を合わせることにより、その後の微調整プロセスを正規化するための構造化プルーニング法を提案する。
  論文  参考訳（メタデータ） (2025-05-29T07:33:49Z)
• On the Evaluation of Speech Foundation Models for Spoken Language Understanding [87.52911510306011]
  Spoken Language Understanding Evaluation (SLUE) というベンチマークタスクスイートが最近導入され、オープンリソースやベンチマークの必要性に対処している。 このベンチマークは、これらのSLUタスクに事前訓練された音声基礎モデル(SFM)を使用することで、予備的な成功を収めた。 どのSFMがこれらの複雑なSLUタスクに最も恩恵をもたらすか、そしてこれらのSFMを組み込む上で最も効果的なアプローチは何か?
  論文  参考訳（メタデータ） (2024-06-14T14:37:52Z)

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。