내일이 오늘이 될 때: 에이전트형 시계열 예측을 위한 자체 진화 정책

에이전트형 시계열 예측은 근본적인 메커니즘이 진화하는 시스템과 관련되며, 이로 인해 수치 모델, 추론 전략, 개입 규칙의 상대적 효과성이 본질적으로 시간에 따라 변합니다. 결과적으로, 시계열 에이전트는 자신이 생성하는 예측과 어떤 구성 요소를 신뢰하고 어떻게 조정할지 결정하는 오케스트레이션 정책을 모두 적응해야 합니다. 배포 과정은 예측 지평(forecast horizons)이 경과하고 실현된 목표가 초기 결정의 효과를 드러냄에 따라 자연스럽게 이러한 적응에 대한 감독(supervision)을 제공합니다. 모든 수치 전문가 예측과 후보 에이전트 경로를 목표 관측 전에 확정하면, 각 실현 결과는 전체 대안 세트를 평가할 수 있게 하여 추가적인 주석 없이 지연된 피드백을 제공합니다. 그러나 기존의 시계열 에이전트는 주로 예측 정제(forecast refinement), 반성(reflection), 또는 검색(retrieval)을 통해 이전 경험을 통합할 뿐, 실현된 결과를 나중에 발생하는 원인들을 관리하는 공동 오케스트레이션 정책에 영구적인 업데이트로 체계적으로 변환하지는 못합니다. 이러한 지연 피드백을 체계적으로 활용하기 위해, 우리는 TimEvolve를 소개합니다. 이는 각 실현된 결과를 전문가 신뢰도, 에이전트 경로 선택, 개입 강도의 영구적인 공동 업데이트로 변환하는 고정 백본(frozen-backbone) 시계열 에이전트입니다. 시간 순서가 있는 예측(predict), 공개(reveal), 및 업데이트 프로토콜은 이 피드백을 후속 예측에 적용합니다. 여덟 개의 Time-MMD 도메인에 걸친 실험에서 TimEvolve는 15개 방법 중 가장 우수한 평균 MSE와 MAE 순위를 달성했으며, 7개 도메인에서는 두 지표 모두에서 가장 낮은 오차를 보였습니다. 이러한 결과는 배포 중에 마주치는 미래로부터 예측 정책을 학습하는 가치를 입증합니다.