TimeEvo: Failure-Driven Self-Evolution of a Time Series Agent
Aggiunta all'archivio di AIChronos il (numero del 28 settembre 2026 ricostruito)· fonte del · Jie Yang, Yan Zheng, Jiarui Sun, Xiran Fan, Junpeng Wang, Liang Wang (Visa Inc)
TimeEvo è un framework che risolve il disallineamento umano-agente e il 'silent harm' negli agenti di serie temporali ottimizzando dinamicamente la selezione degli strumenti. Il sistema raggruppa i fallimenti diagnostici in lacune di capacità, pianifica misurazioni specifiche per ciascuna e sintetizza nuovi strumenti basati esclusivamente su evidenze empiriche. Attraverso un meccanismo di ammissione a coppie (paired admission gate), solo gli strumenti che migliorano le prestazioni vengono integrati nella libreria finale.
- Identificazione del 'Human-Agent Tool Misalignment': una libreria statica di 20 strumenti esperti riduce l'accuratezza dell'anomalia in alcuni casi e la migliora in altri, rendendo necessaria una selezione runtime.
- Rilevamento del 'Silent Harm': il self-revision generico modifica significativamente le risposte (147 su un campione) rompendo molte di esse senza alterare drasticamente il punteggio finale.
- Sintesi dinamica degli strumenti: TimeEvo crea nuovi strumenti basati solo sulle evidenze necessarie a colmare specifiche lacune funzionali identificate dai fallimenti dell'agente.
- Validazione incrociata dei backbones: una libreria di strumenti cresciuta su modelli economici mantiene i suoi benefici quando installata in architetture più potenti (stronger ones).
- Miglioramento universale: partendo da una libreria vuota, TimeEvo aumenta l'accuratezza su tutti e dieci i task QA delle serie temporali testati.
Perché conta. Per gli sviluppatori di agenti AI locali o sistemi autonomi, questo approccio elimina la necessità di curare manualmente librerie statiche di strumenti, sostituendola con un processo evolutivo che adatta dinamicamente le capacità dell'agente alle domande specifiche in tempo reale.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.