💬 NLP

Nexus : An Agentic Framework for Time Series Forecasting

本論文は、非構造化の文脈データと数値パターンを効果的に統合し、現在の LLM が最先端モデルと同等かそれ以上の性能を発揮しつつ透明性のある推論痕跡を提供できるようにするため、時系列予測を専門的な段階に分解するマルチエージェントフレームワーク「Nexus」を導入する。

原著者： Sarkar Snigdha Sarathi Das, Palash Goyal, Mihir Parmar, Nanyun Peng, Vishy Tirumalashetty, Chun-Liang Li, Rui Zhang, Jinsung Yoon, Tomas Pfister

公開日 2026-05-15

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Sarkar Snigdha Sarathi Das, Palash Goyal, Mihir Parmar, Nanyun Peng, Vishy Tirumalashetty, Chun-Liang Li, Rui Zhang, Jinsung Yoon, Tomas Pfister

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

来週の天気を予測しようとしていると想像してください。あなたにはそれを助ける 2 つの異なるツールがあります。

数学の魔法使い（TSFM）： このツールは、過去の気温や雨量の長いデータ列を見るのが驚くほど得意です。「火曜日は通常雨が降る」や「11 月になると気温が下がる」といったパターンを見抜きます。データのリズムを捉えるのが非常に上手です。しかし、ニュースに対しては完全に盲目です。海岸沖で巨大なハリケーンが発生していることや、火山が噴火したことを知りません。それらの出来事が天気を完全に変えてしまうにもかかわらずです。
語り部（LLM）： このツールは、ニュース記事、ソーシャルメディア、レポートを読むのが天才的です。物事が「なぜ」起こるかを理解します。ハリケーンは雨と風を意味することを理解しています。しかし、数値の表に基づいて来週の火曜日の正確な気温を予測するように求めると、数学を間違えることがよくあります。物語の中では意味のある数字を推測するかもしれませんが、データの実際のパターンには合致しないことがあります。

問題点：
長い間、研究者たちは選択を迫られてきました。正確性は高いが大きな出来事を見逃す「数学の魔法使い」を使うか、文脈を理解するが数値を間違える「語り部」を使うか、です。

解決策：Nexus
この論文は、たった一人に頼るのではなく、専門家のチームを雇うようなものとしてNexusを紹介しています。Nexus は、未来を予測する仕事を 3 つの明確なステップに分け、AI エージェントのチームが協力して作業を行います。

以下は、簡単な比喩を用いた Nexus チームの仕組みです。

1. 司書（文脈化エージェント）

誰かが予測を始める前に、司書は数値というごちゃごちゃした生データと、ニュース記事というごちゃごちゃした山を手に取り、それらを整理してクリーンな時系列のタイムラインにまとめます。

彼らの役割： 彼らはニュースと数値を並行して読み、「この日、株価はこの特定のニュースイベントのために下落した」という明確な要約を書き出します。他の専門家が圧倒されないよう、ノイズをフィルタリングします。

2. 2 人の予報士（二重解像度エージェント）

Nexus は予測作業を 2 種類の思考者の間で分割します。

マクロ予報士（全体像の男）： このエージェントは地平線を見渡します。日々の小さな変動は無視し、大きなトレンドに焦点を当てます。「市場全体は上昇傾向にあるのか？住宅市場は季節的な好況にあるのか？」彼らは全体的な方向性を設定します。
マイクロ予報士（詳細の男）： このエージェントは、今後数日をステップバイステップで見ていきます。「よし、大きなトレンドは上昇だが、来週の火曜日は祝日であり、通常それは下落を引き起こす」と。彼らは、物事を変動させる可能性のある具体的で短期的な出来事に焦点を当てます。

3. 編集者（統合・較正エージェント）

最後に、編集者は「全体像」の視点と「ステップバイステップ」の視点を統合します。

統合： もし「全体像の男」が「上昇」と言い、「詳細の男」が「祝日のため下落」と言う場合、編集者は最終的な数値を決定します。それぞれの意見にどの程度の重みを与えるかを判断します。
コーチ（較正）： 編集者にはまた、「コーチ」がいて、過去の過ちを見ています。もしチームが前回上昇を予測したが実際には下落した場合、コーチはルールを書き出します。「次回、X というイベントが見られたら、楽観的になりすぎないこと」。これにより、チームは再トレーニングを必要とすることなく、学習して向上することができます。

なぜこれが重要なのか？

この論文は、AI モデルがトレーニングされた後に発生した現実世界のデータで Nexus をテストしました（そのため、AI は答えを「覚えて」チートすることはできませんでした）。彼らは以下を確認しました。

株式市場： 突然のニュースによって駆動され、非常に変動しやすい。
不動産（Zillow）： 予測可能な年次サイクルによって駆動され、非常に季節的である。

結果：

より良い数値： Nexus は、専門的な数学の魔法使い（TSFM）よりも実際の数値の予測が正確であり、単独で働く語り部（LLM）よりもはるかに優れていました。
より良い説明： 単に数値を吐き出す他のモデルとは異なり、Nexus は明確な「推論の道筋」を提供します。「長期的なトレンドは上昇だが、来週の祝日のため下落を予測した」といった、なぜその予測をしたのかを説明します。
妥協なし： 数学のパターン認識と言語の文脈理解という、両方の世界の最良の部分を成功裏に組み合わせました。

要約すると： Nexus は、未来を予測することが単に数値を計算したり物語を読んだりすることではなく、両方を行い、互いの作業をチェックし、過去の過ちから学ぶチームを持つことであることを証明しています。そうすることで、実際に信頼できる予報を提供するのです。

技術的サマリー：Nexus ー時系列予測のためのエージェント型フレームワーク

問題定式化

時系列予測は、構造化データ内の数値的パターン、季節性、長距離依存性を識別することに長けた専門的な時系列基盤モデル（TSFMs）に伝統的に依存してきました。しかし、これらのモデルは「マルチモーダルの真空」状態で動作し、現実世界のデータにおける構造的変化やレジームシフトを駆動する非構造化の文脈信号（例：ニュース、イベント、マクロ経済サマリー）を統合することに失敗することが多いです。一方、大規模言語モデル（LLM）はこのようなテキスト文脈を解析する推論能力を備えていますが、正確な数値的パターン認識に必要な内在的な自己回帰メカニズムが欠如しており、単独のゼロショット予測器として使用された場合、性能が最適化されない傾向があります。

この研究が取り組む核心的な課題は、研究者が直面する「妥協」です。すなわち、統計モデルを利用するために重要な定性的文脈を捨てるか、時系列特性を捉えるのに苦労する LLM に依存するかという二者択一です。本論文は、数値系列（ $X_{1:\tau}$ ）と関連する非構造化テキスト（ $E_{1:\tau}$ ）の両方に基づく歴史的な文脈から、将来の数値（ $X_{\tau+1:\tau+T}$ ）とその背後にある因果的根拠（ $R$ ）の同時予測を必要とするマルチモーダル問題としてタスクを定式化します。

手法：Nexus フレームワーク

統計的厳密性と文脈的推論の間のギャップを埋めるため、著者らは Nexus、つまり完全に LLM 駆動のマルチエージェントフレームワークを導入します。単一の単一モデルに予測のすべての側面を処理させるのではなく、Nexus はタスクを 3 つの明確な論理的段階に分解します。

1. 文脈化

長文脈シナリオにおける認知的過負荷を防ぐため、歴史的文脈エージェント（ $A_{ctx}$ ） が生マルチモーダルデータを処理します。このエージェントは、生数値と高密度なテキストを、高度に構造化された時系列タイムライン（ $H_{1:\tau}$ ）に変換します。各時間ステップにおいて、このエージェントはノイズをフィルタリングし、数値値を主要な駆動要因の簡潔なサマリーと明示的にリンクさせ、下流のエージェントが因果関係の高忠実度シグナルを受け取るようにします。

2. 二重解像度予測展望の生成

Nexus は、構造化された履歴から 2 つの補完的な視点を生成します。

マクロ推論エージェント（ $A_{macro}$ ）: 予測期間全体にわたる広範な軌跡をマッピングするトップダウンアプローチを採用します。これは期待されるレジームを確立し、最終的な予測が根本的な変化と整合するようにします。
ミクロ推論エージェント（ $A_{micro}$ ）: 詳細なステップバイステップのアプローチを採用します。これは、すべての将来の時間ステップに対して即時的な触媒、短期的な変化、局所的なボラティリティを評価し、特定のイベントへの応答性を確保します。

3. 予測合成と較正

予測合成エージェント（ $A_{syn}$ ）: このエージェントは、マクロとミクロの視点を動的に統合します。学習されたガイドライン（ $G$ ）に基づいて条件付けられた構造化履歴と二重展望を合成し、最終的な数値予測と明示的な推論を生成します。
較正エージェント（ $A_{calib}$ ）: 手動の指示設計なしに特定のドメインに適応するため、Nexus は前方シミュレーションバックテストメカニズムを採用します。これは、歴史的な分割における予測誤差を分析して批判ルール（ $G_i$ ）を生成します。これらのルールは交差して堅牢なマスターガイドライン（ $G$ ）を形成し、これらは隠し検証セットで性能向上をもたらす場合のみ適用され、過学習を防ぎます。

主要な貢献

本論文は 3 つの主要な貢献を行います。

推論の解離: 効果的な LLM 予測には、LLM の内在的な数値的限界を克服するために、粗いレベルのトレンドを詳細な時系列特徴から分離する必要があることを実証します。
Nexus フレームワーク: マクロ（粗い）とミクロ（詳細）の展望をモデル化し、それらを動的に統合して単一の堅牢な予測を生成するマルチエージェントアーキテクチャを導入します。
最先端の性能: Nexus が、Zillow のような高度に季節的なデータセットと、Stocks のようなボラティリティの高いデータセットの両方で優れた結果を達成し、純粋な数値設定であっても TimesFM-2.5 などの専用 TSFM と同等かそれ以上の性能を発揮し、かつ非常に解釈可能な推論トレースを生成することを示しています。

実験結果

著者らは、データ漏洩なしのゼロショット評価を確保するため、基盤となる LLM の知識カットオフ（2025 年 1 月）後に厳密に発生したデータで Nexus を評価しました。使用されたデータセットは以下の通りです。

Zillow 不動産指標: 米国の主要 15 都市圏における週次の販売在庫数。
株式市場株式: 7 社多様な上場企業（例：AAPL、GOOGL、RKLB）の週次終値。

性能指標:

マルチモーダル文脈: Nexus は強力な Chain-of-Thought（CoT）ベースラインを一貫して上回りました。Claude-4.5-Sonnet を使用した Zillow データセットにおいて、Nexus は CoT ベースラインと比較して MAPE を86.6%、RMSE を**88.6%**削減しました。
数値文脈のみ: テキスト文脈がなくても、Nexus は TimesFM-2.5 と同等かそれ以上の性能を発揮しました。例えば、Gemini-3.1-Pro を使用した Zillow データセットにおいて、Nexus は CoT ベースラインに対して MAPE で**10.4%**の改善を達成し、専用 TSFM の性能と一致しました。
推論の質: クロスジャッジ手法（Gemini が Claude を判定し、その逆も同様）を用いたペアワイズ評価において、Nexus はドメインの関連性、イベントの妥当性、論理と数値の整合性など、さまざまな基準において**63.5% から 97.1%**のケースで CoT ベースラインよりも好まれました。

コンポーネント分析:
アブレーション研究により、すべてのコンポーネントが重要であることが確認されました。ミクロ推論エージェントを除去すると株式データにおける MAPE が増加し、ボラティリティに対する詳細分析の必要性を示しました。同様に、マクロ推論エージェントを除去すると性能が低下し、全体的なトレンドガイダンスの必要性を浮き彫りにしました。

意義と主張

本論文は、現実世界の予測が本質的に単純なシーケンスモデリングを超えたエージェント型推論問題であると主張しています。予測プロセスを分解することにより、Nexus は数値的推論と文脈的推論が効果的に組織化されれば、現在の世代の LLM が以前認識されていたよりも強力な内在的な予測能力を備えていることを実証しています。

著者らは、Nexus が解釈可能で、堅牢かつ非常に適応性の高い予測システムの開発に向けた有望なアプローチを提供することを強調しています。修正なしに予測を生成する静的モデルとは異なり、Nexus は各予測の背後にある根本的な要因を明示的に示す高品質な推論トレースを生成し、数値的トレンドと定性的文脈の間のギャップを埋めます。この研究は、予測の未来は単一モデルにあるのではなく、統計的性質と根本的な駆動要因を統合できるマルチエージェントシステムにあることを示唆しています。