技術要約：マルチエージェントシステム（MAS4TS）による時系列データの視覚的推論

1. 問題提起

エネルギー、輸送、ヘルスケアなどの領域において時系列解析は不可欠であるが、既存のアプローチには主に2つの概念的なギャップが存在する：

1. 表現学習から構造的推論へ： ディープラーニングモデルや近年の視覚強化型アプローチを含む既存手法は、多くの場合、数値または潜在埋め込み空間で動作しており、形態学的パターンは暗黙的なものに留まっている。一部の手法は時系列を画像に変換しているが、それらは主に表現学習のための視覚的表現として利用しており、人間のアナリストが行うような、プロットに対する直接的かつ直感的な構造的推論（例：トレンド、レジームシフト、構造的遷移の特定）を行うためのVision-Language Models（VLM）を活用しているわけではない。
2. タスク特化型モデルからツール駆動型の実行へ： 現在のパラダイムは通常、予測、分類、補完、および異常検知を、タスク固有のヘッドと固定された推論パイプラインを必要とする孤立した問題として扱う。これは、事前学習済みモデルが汎用的なタスク適応型ソルバーとして機能することを制限し、異なるタスクに対して乗数的なスケーリングコストを必要とする。

著者らは、時系列インテリジェンスのボトルネックは表現学習ではなく構造的推論にあり、視覚的推論を通じてタスクを統一し、適応的なツール駆動型の実行を可能にするパラダイムシフトが必要であると主張している。

2. メソドロジー：MAS4TSフレームワーク

著者らは、汎用的な時系列解析のための初のツール駆動型マルチエージェントシステムであるMAS4TSを提案する。これは、共有メモリとゲート付き通信を介して調整される、相補的な役割へと時系列解析を分解する**Analyzer–Reasoner–Executor（分析器–推論器–実行器）**パラダイムに基づいて動作する。

2.1 マルチエージェントの協調

システムは、3つの特化したエージェントを通じてデータを処理する：

• Analyzer（分析器）： 生データから統計的特徴（$F_{stat}$）を抽出し、タスクに応じたプロット画像表現（$I$）を生成する。また、意味的な記述や統計的要約を含む構造化されたプライア（$P$）も生成する。
• Reasoner（推論器）： 直感的な視覚パターン認識と精密な数値推論の架け橋となる。以下の2つの連続したステージで動作する：
  1. 視覚的推論： VLMを使用して、プロット画像（$I$）と構造化されたプライア（$P$）から高レベルのパターン認識を行う。VLMは、決定的な時間インデックス（$t_k$）、推定値（$v_k$）、および時間的挙動指標（$\tau_k$、例：上昇/下降/安定）のタプルとして定義される、疎ではあるが情報量の多い視覚的アンカー（visual anchors）（$A$）を出力する。
  2. 潜在構造の構築： これらの疎なアンカーを、潜在空間における連続的な潜在軌道の再構成をガイドするための条件付け信号として扱う。これは、$A$と$P$に条件付けられた学習可能なダイナミクス関数$f_\phi$によって制御される連続時間潜在状態$z(t)$としてモデル化される。有限ステップの潜在ODEソルバーが、観測ホライゾンと予測ホライゾンの両方をカバーする、高密度で時間的に一貫したシーケンスを再構成する。
  3. 潜在融合： 再構成された潜在軌道を、ゲート付きアテンションを介して元のデータ埋め込みと融合させ、統一され、意味的に根ざした潜在表現（$Z$）を形成する。
• Executor（実行器）： 適応的なツール使用を通じて、潜在表現をタスク固有の出力へと変換する。ルーティングポリシー$\pi_\Theta$に基づき、定義済みのライブラリ（例：トレンド外挿、分解、平滑化、統計的予測）からツールの連鎖を動的に構成する。軽量な**Result Verifier（結果検証器）**は、アンカーが示唆する境界の違反を修正したり、スキーマの一貫性を強制したりすることで、数値的な妥当性とタスクの一貫性を確保する。

2.2 最適化と効率性

MAS4TSは選択的な学習戦略を採用している。静的な前処理、VLMのプロンプティング/推論、および選択されたツールは**学習フリー（training-free）**のまま維持される。最適化は、コーディネーションに不可欠なコンポーネント、すなわち埋め込み/通信関数、共有メモリ表現、およびゲーティング/ルーティングパラメータのみに焦点を当てる。これにより、システムはすべてのタスクに対してファインチューニングを行う計算オーバーヘッドなしに、強力な基盤モデルを活用することができる。

3. 主な貢献

1. MAS4TSフレームワーク： 汎用的な時系列解析のための初のツール駆動型マルチエージェントシステムの提案であり、タスク適応型モデリングのためのAnalyzer–Reasoner–Executorパラダイムを確立した。
2. 直感的な視覚的推論： プロットとプライアから視覚的アンカーを抽出するためにVLMを利用し、それらを潜在軌道再構成のための数値的制約へと変換する手法を導入し、暗黙的な表現学習から明示的な構造的推論へと転換した。
3. 統一されたパフォーマンス： 予測、分類、補完、および異常検知のタスクにおいて、優れた性能を示す広範な実験を行い、強力な汎化性能と効率的な推論を維持しながら、複数のベンチマークで最先端（SOTA）の結果を達成した。

4. 実験結果

著者らは、20以上のベースライン（PatchTSTやiTransformerなどのタスク特化型モデル、およびTimeVLMやUniTimeなどの学習済み言語モデルベースの手法を含む）と比較して、4つのタスクにわたる21の広く用いられているデータセットでMAS4TSを評価した。

• 予測（Forecasting）： 長期予測ベンチマーク（ETT、Weather、Solar-Energy、Exchange）において、MAS4TSは競争力のある、あるいは優れた性能を達成した。例えば、Weatherデータセットにおいて、平均MSE 0.232を達成し、MAFSおよびTimeVLMをそれぞれ7.9%および11.5%上回った。Exchangeデータセットにおける急激なトレンド変化の捕捉においても堅牢性を示した。
• 分類（Classification）： 8つのUEA多変量時系列データセットにおいて、MAS4TSは最高の平均精度（68.25%）を達成し、iTransformer（65.16%）およびDLinear（64.85%）を上回った。
• 補完（Imputation）： MAS4TSは、すべてのマスク比率（12.5%から50%）において最先端の性能を達成した。50%の欠損率を持つETTm2において、2番目に優れた手法（LightTS）と比較してMSEを34.8%削減し、深刻なデータ破損下でのアンカー制約付き補完の有効性を検証した。
• 異常検知（Anomaly Detection）： 5つのサーバーおよびインフラ監視ベンチマークにおいて、MAS4TSは最高の平均F1スコア（84.78%）を達成し、ETSformerやiTransformerを上回った。視覚的推論コンポーネントは、疑わしい領域の事前特定において特に価値があることが証明された。
• 効率性（Efficiency）： 基盤モデルを用いたマルチエージェント・ワークフローを統合しているにもかかわらず、MAS4TSはコンパクトなバックボーン（学習可能パラメータ5.38M）と極めて低いピークGPUメモリ（0.05 GB）を維持しており、これは、しばしば100Mを超えるパラメータを持ち数GBのメモリを消費するLMベースのベースラインよりも数桁小さい。

5. 意義と主張

本論文は、MAS4TSが共通の構造的推論プロトコルを通じて多様なタスクを統一することにより、既存の時系列手法の限界に対処すると主張している。構造的推論、連続的な潜在再構成、およびツール統合型の実行を明示的に分離することで、システムは以下を実現する：

• 適応性： 適応的なツール・オーケストレーションを通じて、ヘテロジニアスな時系列ワークロードとタスク要件を扱う能力。
• 解釈可能性： 視覚的アンカーと検証器チェックの使用により、検査可能な中間アーティファクトを提供し、推論プロセスを透明にする。
• 効率性： コーディネーション・コンポーネントの選択的学習により、システムはフルファインチューニングの禁止的なコストなしに、基盤モデルの汎化能力を活用できる。

著者らは、時系列インテリジェンスのボトルネックは構造的推論にあり、MAS4TSは視覚的推論を通じてタスクを統一し、適応的なツール駆動型の実行を可能にするパラダイムシフトを提供するものであると結論づけている。また、分布シフトに対する堅牢性のための基盤モデルへの依存関係や、複雑な多変量シナリオにおける潜在的な通信オーバーヘッドといった限界についても認め、ツールライブラリの拡充やエージェントスキルの洗練に向けた今後の課題を示唆している。