Nghiên cứu
TimeEvo: Giải pháp tự tiến hóa dựa trên lỗi cho các tác nhân phân tích chuỗi thời gian
(giờ Việt Nam)
Tóm tắt AI
TimeEvo giải quyết vấn đề sai lệch công cụ bằng cách tự động phân tích lỗi, xác định lỗ hổng năng lực và tổng hợp các công cụ chuyên biệt theo thời gian thực, giúp tối ưu hóa hiệu suất cho các tác nhân phân tích chuỗi thời gian.
Chính văn · Bản dịch AI
Tác giả: Jie Yang, Yan Zheng, Jiarui Sun, Xiran Fan, Junpeng Wang, Liang Wang, Zelin Xu, Qinghua Liu, Zhengyu Fang, Yiwei Cai, Philip S. Yu
Tóm tắt: Các tác nhân chuỗi thời gian (time series agents) trả lời các câu hỏi phân tích bằng cách gọi các công cụ bên ngoài, và việc chúng mang theo những công cụ nào được quyết định bởi con người trước khi tác nhân chạy. Tuy nhiên, chúng tôi xác định hai lỗi trong thiết lập này. Sự lệch pha giữa Công cụ và Tác nhân do con người thiết lập (Human-Agent Tool Misalignment): một thư viện gồm 21 công cụ được chuyên gia tuyển chọn giúp ích cho một số tác vụ nhưng lại gây hại cho các tác vụ khác, làm giảm độ chính xác về phát hiện bất thường trên mọi mô hình nền tảng (backbone) mà chúng tôi thử nghiệm. Tác hại thầm lặng (Silent Harm): một vòng tự sửa đổi chung làm thay đổi 147 câu trả lời và làm hỏng 56 trong số đó, trong khi điểm số cuối cùng chỉ thay đổi chưa đầy một điểm. Cả hai đều xuất phát từ cùng một khoảng cách: việc một công cụ có hữu ích hay không được quyết định theo từng câu hỏi tại thời điểm chạy, trong khi các công cụ lại được cung cấp trước và đánh giá dựa trên một mức trung bình duy nhất. Để giải quyết vấn đề này, chúng tôi đề xuất TimeEvo, phương pháp phân nhóm các lỗi đã chẩn đoán của tác nhân thành các khoảng trống năng lực, lập kế hoạch đo lường cho từng lỗi, tổng hợp các công cụ chỉ dựa trên bằng chứng để lấp đầy chúng, và chỉ chấp nhận thư viện ứng viên thông qua một cổng kiểm duyệt theo cặp. Các thử nghiệm trên mười tác vụ QA chuỗi thời gian và ba mô hình nền tảng cho thấy TimeEvo, bắt đầu từ một thư viện trống, cải thiện độ chính xác trên mọi tác vụ và mọi mô hình nền tảng, và một thư viện được phát triển trên mô hình giá rẻ vẫn mang lại hiệu quả khi được cài đặt vào các mô hình mạnh hơn. Mã nguồn có sẵn tại địa chỉ URL này.
| Chủ đề: | Trí tuệ nhân tạo (cs.AI); Học máy (cs.LG) |
| Trích dẫn là: | arXiv:2609.27277 [cs.AI] |
| (hoặc arXiv:2609.27277v1 [cs.AI] cho phiên bản này) | |
| https://doi.org/10.48550/arXiv.2609.27277 DOI do arXiv cấp thông qua DataCite (đang chờ đăng ký) |
Lịch sử gửi bài
Từ: Jie Yang [xem email] [v1] Thứ Tư, 23 tháng 9 năm 2026 03:08:12 UTC (1.537 KB)
Bài viết được AI dịch và tổng hợp tự động từ Hugging Face Daily Papers. Liên kết bài gốc ở phía trên. AIHOT.vn luôn dẫn nguồn đầy đủ — nếu bạn thấy điểm cần chỉnh sửa, hãy gửi ý kiến tại trang phản hồi.