TimEvolve：利用延迟反馈自更新编排策略的时序预测智能体
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对底层机制动态演变的时序预测场景，现有智能体多通过反思或检索精炼预测，未将已实现结果转化为对后续编排策略的持久更新。为此提出TimEvolve智能体，在冻结骨干网络下，将每个已实现结果转化为对专家信任度、智能体路径选择及干预强度的联合持久更新。其采用按时间顺序的预测、揭示与更新协议，将延迟反馈应用于后续预测。在八个Time-MMD领域的实验中，TimEvolve在十五种方法里取得最佳平均MSE与MAE排名，并在七个领域两项指标上均获最低误差。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载动态时序预测的编排痛点
在智能体时序预测中，系统底层机制常随时间演变，导致数值模型、推理策略及干预规则的相对有效性具有时变性。现有智能体主要通过预测精炼、反思或检索来融入先验经验，但未能系统性地将部署后观测到的真实结果转化为对后续联合编排策略的持久更新，无法有效利用部署过程自然产生的延迟反馈监督信号。
TimEvolve的延迟反馈更新机制
为系统利用延迟反馈，TimEvolve作为一种冻结骨干网络的智能体被提出。其核心在于在目标观测前提交所有数值专家预测与候选智能体路径，使每个已实现结果能评估整个备选集，从而在无需额外标注下获取延迟反馈。该智能体将每个已实现结果转化为对专家信任度、智能体路径选择及干预强度的联合持久更新，并通过按时间顺序的预测、揭示与更新协议将此反馈应用于后续预测。
多领域评测表现
在八个Time-MMD领域的实验验证中，TimEvolve与另外十四种方法进行了对比。结果显示，TimEvolve取得了最佳的平均均方误差（MSE）与平均绝对误差（MAE）排名。同时，在七个具体领域中，该智能体在MSE与MAE两项指标上均达到了最低误差水平，验证了从部署期遇到的未来结果中学习预测策略的价值。
为什么值得看
提出将部署后观测到的真实结果作为延迟反馈，持久更新智能体编排策略，为动态环境时序预测提供新范式。
智能体
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。