MetaCaster: Meta-Harness-Optimized Agent for End-to-End Few-Shot Learning of Lightweight Time Series Forecasters
元harness优化多智能体实现轻量时序预测器小样本训练
🧭 多智能体元优化 · 时间序列预测
University of Houston · NEC Labs · University of Waterloo · University of Connecticut · University of Illinois at Urbana-Champaign
用多智能体生成数据+元优化harness，从少量样本训练轻量时间序列预测器
📌 工作参考价值
- 数据稀缺或隐私敏感场景（如新商品冷启动、低频事件预测），可借鉴多智能体数据生成：用 LLM agent 从少量真实样本+文本上下文合成训练数据，再训练轻量模型，避免直接依赖大模型在线推理。
- 将 LLM 定位为“离线工程师”而非在线预测器：在电商推荐中，可让 LLM 离线生成商品描述增强、用户兴趣特征或合成样本，训练轻量排序/CTR模型，保证线上低延迟和低成本。
- 多智能体分工（数据生成、过滤、评估）提升合成数据质量，该模式可迁移到推荐系统的数据增强 pipeline，通过多个 agent 协作筛选高质量样本。
- meta-harness 优化思想：把数据生成流程（prompt/工具调用）视为可学习对象，用元学习在多个任务上优化，使生成数据能最大程度提升下游模型效果，可类比推荐中的自动特征工程或数据增强策略搜索。
动机：时间序列预测正走向多模态与 agent 化，但基础模型在资源受限场景不经济，轻量预测器又通常依赖大量训练数据，难以用于数据稀缺、积累缓慢或隐私敏感的领域。因此需要解决轻量预测器的小样本学习问题。
方法关键点：构建 MetaCaster，一个元 harness 优化的多智能体框架。它不把 LLM 作为直接预测器，而是让多个智能体充当“工程师”，通过 agentic data generation 从少量示例和文本上下文自动生成训练数据，进而训练专门、可部署的轻量预测器。核心是 meta-harness 优化：对智能体的数据生成流程进行元级优化，确保生成的数据能够有效提升下游轻量预测器的性能。
关键结果：在 18 个数据集、23 种 SOTA 轻量预测器和 14 个基线方法上验证，MetaCaster 同时取得数据效率与计算效率，并保持高质量的时间序列预测性能。