ملخص تقني: Nexus – إطار عمل وكيل لـتوقعات السلاسل الزمنية

صياغة المشكلة

اعتمدت توقعات السلاسل الزمنية تقليديًا على نماذج متخصصة في نماذج التأسيس للسلاسل الزمنية (TSFMs) التي تتفوق في تحديد الأنماط العددية، والموسمية، والارتباطات طويلة المدى ضمن البيانات المهيكلة. ومع ذلك، تعمل هذه النماذج في "فراغ متعدد الوسائط"، حيث تفشل غالبًا في دمج الإشارات السياقية غير المهيكلة (مثل الأخبار، الأحداث، أو الملخصات الاقتصادية الكلية) التي تدفع التغيرات الهيكلية وتحولات الأنظمة في العالم الحقيقي. ومن ناحية أخرى، بينما تمتلك النماذج اللغوية الكبيرة (LLMs) قدرات الاستنتاج لتحليل هذا السياق النصي، إلا أنها تفتقر في كثير من الأحيان إلى الآليات ذاتية الانحدار (autoregressive) المطلوبة للتعرف الدقيق على الأنماط العددية، مما يؤدي إلى أداء دون المستوى عند استخدامها كنماذج توقع صفرية (zero-shot) مستقلة.

إن التحدي الجوهري الذي يعالجه هذا العمل هو "المساومة" التي يواجهها الباحثون: إما التخلي عن السياق النوعي الحرج لاستخدام النماذج الإحصائية، أو الاعتماد على النماذج اللغوية الكبيرة التي تعاني في التقاط خصائص السلاسل الزمنية. تصيغ الورقة البحثية المهمة كمسألة متعددة الوسائط تتطلب التنبؤ المشترك بالقيم العددية المستقبلية ($X_{\tau+1:\tau+T}$) والأساس المنطقي السببي لها ($R$)، بناءً على سياق تاريخي يتكون من كل من المتواليات العددية ($X_{1:\tau}$) والنصوص غير المهيكلة المرتبطة بها ($E_{1:\tau}$).

المنهجية: إطار عمل Nexus

لسد الفجوة بين الصرامة الإحصائية والاستدلال السياقي، قدم المؤلفون Nexus، وهو إطار عمل متعدد الوكلاء مدفوع بالكامل بالنماذج اللغوية الكبيرة. وبدلاً من إجبار نموذج واحد ضخم على التعامل مع جميع جوانب التوقع، يقوم Nexus بتفكيك المهمة إلى ثلاث مراحل منطقية متميزة:

1. السياق (Contextualization)

لمنع الحمل المعرفي الزائد في سيناريوهات السياق الطويل، يقوم وكيل السياق التاريخي ($A_{ctx}$) بمعالجة البيانات متعددة الوسائط الخام. يقوم هذا الوكيل بتحويل القيم العددية الخام والنصوص الكثيفة إلى جدول زمني مهيكل للغاية ($H_{1:\tau}$). لكل خطوة زمنية، يقوم هذا الوكيل بتصفية الضجيج وربط القيم العددية صراحةً بملخصات موجزة للعوامل الدافعة الرئيسية، مما يضمن تلقي الوكلاء اللاحقين إشارة عالية الدقة للسبب والنتيجة.

2. توليد نظرة استشرافية ثنائية الدقة

يولد Nexus منظورين متكاملين من التاريخ المهيكل:

• وكيل الاستدلال الكلي ($A_{macro}$): يتبنى نهجًا من الأعلى إلى الأسفل لرسم مسار واسع لأفق التوقع بأكمله. يقوم بتحديد النظام المتوقع ويضمن توافق التوقع النهائي مع التحولات الجوهرية.
• وكيل الاستدلال الجزئي ($A_{micro}$): يتبنى نهجًا تفصيليًا خطوة بخطوة. يقوم بتقييم المحفزات الفورية، والتحولات قصيرة المدى، والتقلبات المحلية لكل خطوة زمنية مستقبلية، مما يضمن الاستجابة لأحداث محددة.

3. تركيب التوقعات والمعايرة

• وكيل تركيب التوقعات ($A_{syn}$): يقوم هذا الوكيل بدمج المنظورين الكلي والجزئي ديناميكيًا. يقوم بتركيب التاريخ المهيكل مع النظرات الاستشرافية المزدوجة، مشروطًا بإرشادات متعلمة ($G$)، لإنتاج التوقع العددي النهائي والاستدلال الصريح.
• وكيل المعايرة ($A_{calib}$): للتكيف مع مجالات محددة دون تصميم تعليمات يدوي، يستخدم Nexus آلية اختبار خلفي للمحاكاة الأمامية. يقوم بتحليل أخطاء التنبؤ عبر التقسيمات التاريخية لإنشاء قواعد نقدية ($G_i$). يتم تقاطع هذه القواعد لتشكيل إرشادات رئيسية قوية ($G$)، والتي لا تُطبق إلا إذا حققت تحسنًا في الأداء على مجموعة تحقق مخفية، وذلك لمنع الإفراط في التخصيص (overfitting).

المساهمات الرئيسية

تقدم الورقة ثلاث مساهمات رئيسية:

1. فك الارتباط في الاستدلال: توضح أن التوقع الفعال للنماذج اللغوية الكبيرة يتطلب فصل الاتجاهات العامة عن ميزات السلاسل الزمنية الدقيقة للتغلب على القيود العددية المتأصلة في هذه النماذج.
2. إطار عمل Nexus: يقدم بنية متعددة الوكلاء تقوم بنمذجة النظرات الاستشرافية الكلية (العامة) والجزئية (الدقيقة) قبل تركيبها ديناميكيًا في توقع واحد قوي.
3. الأداء المتميز (State-of-the-Art): تظهر النتائج أن Nexus يحقق نتائج فائقة في كل من مجموعات البيانات عالية الموسمية (Zillow) والمتقلبة (الأسهم)، حيث يضاهي أو يتفوق على نماذج TSFM المتخصصة مثل TimesFM-2.5 حتى في الإعدادات العددية البحتة، مع إنتاج آثار استدلال قابلة للتفسير بشكل كبير.

النتائج التجريبية

قام المؤلفون بتقييم Nexus على بيانات تلي مباشرة حدود المعرفة (يناير 2025) للنماذج اللغوية الكبيرة المستخدمة لضمان التقييم بنمط "الصفر المعرفة" (zero-shot) دون تسرب للبيانات. شملت مجموعات البيانات:

• مقاييس عقارات Zillow: أعداد المخزون المتاح للبيع أسبوعيًا في 15 منطقة حضرية كبرى في الولايات المتحدة.
• أسهم سوق الأسهم: أسعار الإغلاق الأسبوعية لـ 7 شركات عامة متنوعة (مثل AAPL, GOOGL, RKLB).

مقاييس الأداء:

• السياق متعدد الوسائط: تفوق Nexus باستمرار على نماذج "سلسلة الأفكام" (CoT) القوية. في مجموعة بيانات Zillow باستخدام Claude-4.5-Sonnet، خفض Nexus متوسط الخطأ المطلق (MAPE) بنسبة 86.6% وجذر متوسط مربع الخطأ (RMSE) بنسبة 88.6% مقارنة بنموذج CoT الأساسي.
• السياق العددي فقط: حتى بدون السياق النصي، عادل Nexus أو تفوق على TimesFM-2.5. على سبيل المثال، في مجموعة بيانات Zillow باستخدام Gemini-3.1-Pro، حقق Nexus تحسنًا بنسبة 10.4% في MAPE مقارنة بنموذج CoT الأساسي وعادل أداء نموذج TSFM المتخصص.
• جودة الاستدلال: في التقييمات الثنائية باستخدام منهجيات الحكم المتقاطع (Gemini يحكم Claude والعكس)، فُضل Nexus على نموذج CoT الأساسي في 63.5% إلى 97.1% من الحالات عبر معايير مختلفة، بما في ذلك الصلة بالمجال، ومعقولية الأحداث، والاتساق بين المنطق والأرقام.

تحليل المكونات:
أكدت دراسات الاستئصال (Ablation studies) أن جميع المكونات حاسمة. أدى حذف وكيل الاستدلال الجزئي إلى زيادة MAPE في بيانات الأسهم، مما يشير إلى ضرورة التحليل الدقيق للتقلبات. وبالمثل، أدى حذف وكيل الاستدلال الكلي إلى تراجع الأداء، مما يسلط الضوء على الحاجة إلى توجيه الاتجاه العام.

الأهمية والادعاءات

تدعي الورقة أن التوقع في العالم الحقيقي هو في الأساس مسألة استدلال وكيلية تمتد إلى ما هو أبعد من مجرد نمذجة التسلسل. من خلال تفكيك عملية التنبؤ، يثبت Nexus أن النماذج اللغوية الكبيرة من الجيل الحالي تمتلك قدرات تنبؤ جوهرية أقوى مما كان يُعتقد سابقًا، بشرما يتم تنظيم الاستدلال العددي والسياقي بشكل فعال.

يؤكد المؤلفون أن Nexus يقدم نهجًا واعدًا لتطوير أنظمة توقع قابلة للتفسير، وقوية، وعالية التكيف. على عكس النماذج الثابتة التي تنتج توقعات دون مراجعة، ينتج Nexus آثار استدلال عالية الجودة تظهر بوضوح الدوافع الأساسية وراء كل توقع، مما يجسد الفجوة بين الاتجاهات العددية والسياق النوعي. يشير العمل إلى أن مستقبل التوقع لا يكمن في النماذج الضخمة الموحدة، بل في الأنظمة متعددة الوكلاء التي يمكنها تركيب الخصائص الإحصائية مع الدوافع الأساسية.