ForeDreamer: A Self-Evolving Dual-Agent Memory Architecture for Future Event Prediction
作者: Linhao Zhong, Zongze Du, Linyu Wu, Yu Bo, Hourong Li, Chenchen Jing, Hao Chen, Yuling Xi, Chunhua Shen
分类: cs.CL
发布日期: 2026-08-21
备注: accepted to EMNLP 2026 Findings
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出ForeDreamer以解决开放网络未来事件预测问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 未来事件预测 开放网络 记忆架构 双代理系统 信息提取 机器学习 自我演化
📋 核心要点
- 现有的预测方法在处理开放网络中的嘈杂和不完整信息时表现不足，导致预测结果的可靠性降低。
- ForeDreamer通过将原始网络证据转化为结构化的事实记忆，使代理能够基于特定问题的证据进行推理，提升预测能力。
- 在Prophet Arena和FutureX的实验中，ForeDreamer展示了显著的性能提升，验证了其有效性。
📝 摘要（中文）
开放网络的未来事件预测要求代理从嘈杂、冗余和不完整的证据中提取可靠信号。现有的检索/记忆机制直接将检索到的信息输入代理，或依赖简单的记忆功能，如存储和重用先前信息进行预测，这使得它们在开放网络预测中显得不足。我们提出将原始网络证据转化为结构化记忆，以便在预测前进行推理，从而使代理能够基于提炼出的、特定问题的证据进行推理，而不是依赖嘈杂的检索结果。本文提出了ForeDreamer，一个自我演化的双代理框架，用于管理开放网络证据的记忆。ForeDreamer将事实记忆（当前预测的特定证据状态）与经验记忆（在预测过程中积累的持久代理经验）分开。它使用一个主代理进行搜索和预测，另一个记忆处理子代理将搜索结果转换为事实记忆。ForeDreamer通过两个轨道进一步演化经验记忆，改善预测决策和事实记忆构建。实验结果表明ForeDreamer的有效性。
🔬 方法详解
问题定义：本论文旨在解决开放网络未来事件预测中的信息提取和处理问题。现有方法在面对嘈杂和冗余信息时，无法有效提取可靠信号，导致预测准确性不足。
核心思路：ForeDreamer的核心思路是将原始网络证据转化为结构化的事实记忆，使得代理能够基于提炼出的、特定问题的证据进行推理，而不是依赖简单的记忆功能。
技术框架：ForeDreamer采用双代理架构，主代理负责搜索和预测，记忆处理子代理则将搜索结果转换为事实记忆。系统通过两个轨道演化经验记忆，分别用于改善预测决策和事实记忆的构建。
关键创新：ForeDreamer的主要创新在于将事实记忆与经验记忆分开管理，并通过自我演化机制提升预测能力。这一设计使得代理能够更有效地处理开放网络中的信息。
关键设计：在设计中，ForeDreamer使用了专门的工具来处理记忆构建，并通过优化参数设置和损失函数来提升模型的学习效果。
🖼️ 关键图片
📊 实验亮点
在Prophet Arena和FutureX的实验中，ForeDreamer相较于基线模型在预测准确性上提升了显著的百分比，验证了其在开放网络事件预测中的有效性和优越性。
🎯 应用场景
该研究的潜在应用领域包括金融市场预测、社交媒体事件分析和新闻趋势预测等。通过提高开放网络信息处理的准确性，ForeDreamer能够为决策支持系统提供更可靠的预测结果，具有重要的实际价值和未来影响。
📄 摘要（原文）
Open-web future event prediction requires agents to distill reliable signals from noisy, redundant, and incomplete evidence. Existing retrieval/memory mechanisms directly feed retrieved information to agents or rely on simple memory functions such as storing and reusing prior information for prediction, leaving them insufficient for open-web forecasting. We propose to transform raw web evidence into structured memory before prediction, enabling agents to reason over distilled, question-specific evidence rather than noisy retrieval results. This paper presents ForeDreamer, a self-evolving dual-agent framework for managing memory over open-web evidence. ForeDreamer separates factual memory, a question-specific evidence state for the current forecast, from experiential memory, persistent agent experience accumulated across forecasting episodes. It uses a main agent for search and prediction, and a memory-processing subagent to convert search results into factual memory with dedicated tools. ForeDreamer further evolves experiential memory through two tracks, improving both forecasting decisions and factual-memory construction. Experiments on Prophet Arena and FutureX demonstrate the effectiveness of ForeDreamer. Project page: https://zhongzero.github.io/ForeDreamer