مقاله‌ی arXiv:2610.19725 · نگه‌داشته برای بعد
TimeRSI: Towards Self-Improved Agentic Deployment for Time-Series Foundation Models
ایجنت کدنویسی که خط لوله‌ی پیش‌بینی سری زمانی را دور یک مدل پایه‌ی ثابت، خودش بهتر می‌کند
- تاریخ
- (۲۲ مهر ۱۴۰۵) 2026-10-14 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Haoxin Liu, Deqing Fu, Lucheng Fu, Yiqiao Jin, Rushi Qiang, Harshavardhan Kamarthi, B. Aditya Prakash
- نهاد نویسنده‌ها
- Georgia Institute of Technology, University of Southern California, Samay AI
خلاصه‌ی فارسی
مسئله
مدل‌های پایه‌ی سری زمانی بدون آموزش اضافه پیش‌بینی خوبی می‌دهند، اما استفاده‌ی واقعی هنوز طراحی مخصوص هر تسک برای ورودی و خروجی مدل لازم دارد. استفاده‌ی مستقیم دانش حوزه و خطاهای تکراری پیش‌بینی را نادیده می‌گیرد؛ مثلاً این‌که فروش در تعطیلات جهش دارد. ساختن خط لوله‌ی سفارشی هم تخصص و زحمت انسانی زیادی می‌خواهد.
روش
سیستم TimeRSI یک سیستم استقرار خودبهبود دور مدل‌های پیش‌بینی ثابت است. یک ایجنت کدنویسی توصیف تسک را به تغییرهای اجرایی در خط لوله تبدیل می‌کند، هر نسخه را روی پنجره‌های تاریخی پیش‌بینی آزمایش می‌کند و از خطاهای دیده‌شده برای نسخه‌ی بعدی راهنمایی می‌گیرد. در زمان استفاده، یک انتخاب‌گر تطبیقی بر اساس پیش‌بینی‌های تمام‌شده در شرایط مشابه، از میان خط لوله‌های ساخته‌شده یکی را انتخاب می‌کند.
یافته‌ها
- در ۱۹۸ تسک از TIME و fev-bench، در هر شش معیار پیش‌بینی نقطه‌ای و احتمالاتی از همه‌ی ارسال‌های دیگر بهتر بود.
- مقایسه‌های کنترل‌شده نشان داد اصلاح پیاپی با بازخورد از جست‌وجوی غیرتکراری خط لوله بهتر است.
- با ایجنت‌های کدنویسی و مدل‌های پیش‌بینی دیگر هم تعمیم پیدا کرد.
محدودیت‌ها
نویسنده‌ها می‌گویند سیستم به توصیف روشن تسک و متغیرها نیاز دارد، و بهبود روی پنجره‌های تاریخی تضمین نمی‌کند پیش‌بینی آینده هم بهتر شود؛ مسئله‌ی باز تغییر توزیع در سری‌های زمانی همچنان باقی است.
چرا مهم است
این کار الگویی را نشان می‌دهد که بیرون از سری زمانی هم کاربرد دارد: مدل پایه را ثابت نگه دار و بگذار یک ایجنت کدنویسی کار مهندسی دورش را با آزمایش و بازخورد انجام دهد.