論文の概要: FACTS-MAS: A Multi-Agent Architecture for Adaptive Forecasting from Heterogeneous Evidence

• arxiv url: http://arxiv.org/abs/2610.38225v1
• Date: Wed, 28 Oct 2026 03:20:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.946329
• Title: FACTS-MAS: A Multi-Agent Architecture for Adaptive Forecasting from Heterogeneous Evidence
• Title（参考訳）: FACTS-MAS:異種証拠からの適応予測のためのマルチエージェントアーキテクチャ
• Abstract要約: 本稿ではドメインに依存しないマルチエージェント予測フレームワークであるFACTS-MASを紹介する。 各エージェントは、共通のインターフェースを通じて独立してテスト可能な予測を生成する。 我々は、米国の15大都市圏において、Zillowの週刊住宅在庫とFREDの週刊失業保険債権についてFACTS-MASを評価した。
• 参考スコア（独自算出の注目度）: 6.929015227969344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world forecasting often requires integrating heterogeneous evidence whose predictive value varies across horizons, operating regimes, and domains. We introduce FACTS-MAS, a domain-agnostic multi-agent forecasting framework that decomposes evidence into specialized channels for temporal dynamics, exogenous context, seasonality, structural information, and discrete events. Each agent generates an independently testable forecast through a common interface, while leakage-safe historical validation measures its predictive skill relative to a naive reference. These skill estimates are used to weight and combine agent forecasts, so that uninformative evidence is either removed or downweighted rather than forced to participate. A calibration procedure selects domain-specific constant means based on historical validation folds. We evaluate FACTS-MAS on weekly for-sale housing inventory from Zillow and weekly unemployment insurance claims from FRED, for 15 U.S. metropolitan areas at 4-, 8-, and 13-week forecasting horizons. Our method outperforms both a naive last-value forecast method and the TimesFM foundation model. However, a factor-adjusted exponential smoothing model performs as well as the fused forecast. The evidence therefore supports FACTS-MAS as a systematic protocol for testing, calibrating, and recomposing evidence channels before assembling them into the strongest single model for a specific application domain. Code, data, and results are available at https://github.com/Madumita24/FACTS-MAS.
• Abstract（参考訳）: 現実世界の予測には、地平線、運用体制、領域によって予測値が変化する異質な証拠を統合する必要があることが多い。 本稿では,ドメインに依存しないマルチエージェント予測フレームワークであるFACTS-MASを紹介する。 各エージェントは、共通のインターフェースを通じて独立してテスト可能な予測を生成し、リークセーフな履歴検証は、ナイーブな参照に対して予測スキルを測定する。 これらのスキル推定はエージェント予測の重み付けと組み合わせに使用されるため、非形式的な証拠は参加を強制するのではなく、取り除かれたり減らされたりすることができる。 キャリブレーション手順は、履歴バリデーションフォールドに基づいて、ドメイン固有の定数手段を選択する。 FACTS-MASは、Zillowの週刊住宅在庫とFREDの週刊失業保険を4週間、8週間、13週間の予測で評価する。 提案手法は, 簡易な最終値予測法とTimesFMファンデーションモデルの両方に優れる。 しかし、因子調整指数的平滑化モデルは、融合予測と同様に機能する。 このエビデンスは、特定のアプリケーションドメインに対して最強の単一モデルに組み立てる前に、エビデンスチャネルをテスト、校正、再コンパイルするための体系的なプロトコルとしてFACTS-MASをサポートしている。 コード、データ、結果はhttps://github.com/Madumita24/FACTS-MAS.comで公開されている。

関連論文リスト

• Realism VS Accuracy: Event Sequence Forecasting from a Generative Modeling Perspective [62.26673106147725]
  条件付き生成モデル問題として,イベントシーケンスのマルチ水平予測について検討する。 予測は予測精度だけでなく,分布的リアリズムについても評価する。 本稿では,現実主義・強拡散モデルからのサンプルを最先端の予測器に集約するアルゴリズムであるWasserstein BaryBoosterを紹介する。
  論文  参考訳（メタデータ） (2026-10-08T18:07:47Z)
• Conformal Adversarial Generative Ensemble [1.4951888083382492]
  本稿では,予測信頼性と精度を高めるために,CAGE(Conformal Adversarial Generative Ensemble)を導入する。 CAGEは初期予測を生成するために複数の生成モデルを使用し、識別コンポーネントによって評価される。 ニュージーランドの牛乳収集から得られた時系列データと、公共のフロイドモンキーポックスデータセットから得られた世界保健データの実証的および統計的分析により、CAGEが従来のアンサンブル法より優れていることが示された。
  論文  参考訳（メタデータ） (2026-09-18T09:19:54Z)
• A Human-in-the-Loop Autonomous Agent for Industry Time Series Forecasting [48.586399370741965]
  本稿では,予測指向ハーネス工学によって構築された予測システムであるCastClawを紹介する。 CastClawはデータ、特殊なモデル、分析ツール、ユーザ入力、バージョン管理された実行レコードを1つのランタイムで接続する。 CastClawは、2026年1月から6月にかけて、北朝鮮の地方電力負荷データでオフラインで検証された。
  論文  参考訳（メタデータ） (2026-08-31T15:36:41Z)
• LLM-based Agents for Forecasting and Prediction: Methods, Training, Evaluation, and Applications [76.41731220830714]
  大規模言語モデル(LLM)は、言語ベースの推論と時間的データ、エビデンス検索、外部ツール、反復予測を組み合わせた予測システムをサポートするようになった。 ファイナンス、天気、健康、エネルギー、オペレーションの応用について検討し、評価に使用されるベンチマークとデータセットを要約する。
  論文  参考訳（メタデータ） (2026-08-24T10:02:39Z)
• 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)
• TimeSeriesScientist: A General-Purpose AI Agent for Time Series Analysis [25.377586527585503]
  TimeSeriesScientist(TSci)は時系列予測のための一般的なドメインに依存しないフレームワークである。 これはそれぞれ平均10.4%と38.2%の予測誤差を減少させる。 透明な自然言語の合理性と包括的な報告により、TSciは予測をホワイトボックスシステムに変換する。
  論文  参考訳（メタデータ） (2025-10-02T00:18:59Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Robust Validation: Confident Predictions Even When Distributions Shift [19.327409270934474]
  本稿では,モデルが点予測ではなく,その予測に対して不確実な推定を行うような,頑健な予測推論の手順について述べる。 本稿では, トレーニング集団の周囲に$f$-divergence のボールを用いて, 任意のテスト分布に対して適切なカバレッジレベルを与える予測セットを生成する手法を提案する。 私たちの方法論の重要な構成要素は、将来のデータシフトの量を見積り、それに対する堅牢性を構築することです。
  論文  参考訳（メタデータ） (2020-08-10T17:09:16Z)

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。