arXiv cs.AI· Tong Guan, Tianxiang Zhan, Shirui Pan, Ming Jin·· 12 小时前AI 评分31
重新审视时间序列预测中的智能体模型编排
Rethinking Agentic Model Orchestration for Time Series Forecasting
AI 导读
研究提出 FairAMO 受控评估协议，用冻结候选预测区分编排收益与候选模型本身强度。在 GIFT-Eval 上，最佳编排器相对最佳单一 TSFM 仅将 MASE 降低不到 6%，收益取决于候选互补性而非数量，增加冗余成员甚至会抵消增益，历史证据的价值也很快饱和。
正文 · AI 翻译
摘要：时间序列基础模型（TSFMs）在不同预测任务上的表现并不均衡。近期工作采用智能体模型编排（AMO）来选择或组合 TSFMs，往往优于单个预测器。然而，这些收益可能反映的是更强或更具互补性的候选模型，而非更好的编排。为厘清这些效应，我们提出 FairAMO，一种使用冻结候选预测的受控评估协议。在 GIFT-Eval 上的实验表明，AMO 提升了准确率，但其收益受候选 TSFMs 的限制。在所有任务上，最佳编排器相对于最佳单一 TSFM 将 MASE 降低不到 6%。这些收益取决于互补性（不同候选模型在不同任务上表现优异），而非候选模型的数量。增加成员会带来递减的回报，而一个冗余成员可能抹去这些收益。历史证据的价值也会迅速饱和。少数近期窗口即可捕获全部收益，进一步的历史信息不会带来任何增益。这些发现将系统级预测收益与编排本身的贡献区分开来。
| 评论： | 被 NeurIPS 2026 时间系统基础模型研讨会（FMTS）接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.29504 [cs.LG] |
| （或 arXiv:2610.29504v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29504 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Tong Guan [查看邮箱]
[v1]
2026 年 10 月 21 日星期三 09:55:04 UTC（931 KB）
来源：arXiv cs.AI · arxiv.org