論文の概要: AdaptFlow: Adaptive Workflow Optimization via Meta-Learning

• arxiv url: http://arxiv.org/abs/2508.08053v1
• Date: Mon, 11 Aug 2025 14:52:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.158931
• Title: AdaptFlow: Adaptive Workflow Optimization via Meta-Learning
• Title（参考訳）: AdaptFlow: メタ学習による適応型ワークフロー最適化
• Authors: Runchuan Zhu, Bowen Jiang, Lingrui Mei, Fangkai Yang, Lu Wang, Haoxiang Gao, Fengshuo Bai, Pu Zhao, Qingwei Lin, Saravan Rajmohan, Dongmei Zhang,
• Abstract要約: AdaptFlowは、モデルに依存しないメタラーニングにインスパイアされた自然言語ベースのメタラーニングフレームワークである。 素早いサブタスクレベルの適応を可能にする一般的なワークフローを学習する。 手作業で作成し、ベースラインを自動的に検索することで、一貫してパフォーマンスが向上する。
• 参考スコア（独自算出の注目度）: 31.322983791187646
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in large language models (LLMs) have sparked growing interest in agentic workflows, which are structured sequences of LLM invocations intended to solve complex tasks. However, existing approaches often rely on static templates or manually designed workflows, which limit adaptability to diverse tasks and hinder scalability. We propose AdaptFlow, a natural language-based meta-learning framework inspired by model-agnostic meta-learning (MAML). AdaptFlow learns a generalizable workflow initialization that enables rapid subtask-level adaptation. It employs a bi-level optimization scheme: the inner loop refines the workflow for a specific subtask using LLM-generated feedback, while the outer loop updates the shared initialization to perform well across tasks. This setup allows AdaptFlow to generalize effectively to unseen tasks by adapting the initialized workflow through language-guided modifications. Evaluated across question answering, code generation, and mathematical reasoning benchmarks, AdaptFlow consistently outperforms both manually crafted and automatically searched baselines, achieving state-of-the-art results with strong generalization across tasks and models. The source code and data are available at https://github.com/microsoft/DKI_LLM/tree/AdaptFlow/AdaptFlow.
• Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩は、複雑なタスクの解決を目的としたLLM呼び出しの構造的シーケンスであるエージェントワークフローへの関心が高まっている。 しかし、既存のアプローチは静的テンプレートや手動設計のワークフローに依存しており、多様なタスクへの適応性を制限し、スケーラビリティを妨げている。 本稿では,モデルに依存しないメタラーニング(MAML)にヒントを得た自然言語ベースのメタラーニングフレームワークであるAdaptFlowを提案する。 AdaptFlowは、迅速なサブタスクレベルの適応を可能にする、一般化可能なワークフロー初期化を学習する。 内部ループはLLM生成したフィードバックを使用して特定のサブタスクのワークフローを洗練し、外側ループは共有初期化を更新し、タスク間でうまく機能する。 このセットアップにより、AdaptFlowは言語誘導の修正を通じて初期化ワークフローを適用することで、目に見えないタスクに効果的に一般化できる。 質問応答、コード生成、数学的推論ベンチマークで評価されたAdaptFlowは、手作業と自動検索の両方のベースラインを一貫して上回り、タスクやモデルにまたがる強力な一般化による最先端の結果を達成する。 ソースコードとデータはhttps://github.com/microsoft/DKI_LLM/tree/AdaptFlow/AdaptFlowで入手できる。

関連論文リスト

• Flow: Modularized Agentic Workflow Automation [53.073598156915615]
  大規模言語モデル(LLM)を利用したマルチエージェントフレームワークは、自動計画とタスク実行において大きな成功を収めている。 しかし, 実行中のエージェントの効果的な調整は十分に研究されていない。 本稿では,エージェントによる継続的なワークフロー改善を可能にするアクティビティ・オン・頂点(AOV)グラフを定義する。 提案するマルチエージェントフレームワークは,サブタスクの効率的な同時実行,効果的なゴール達成,エラー耐性の向上を実現している。
  論文  参考訳（メタデータ） (2025-01-14T04:35:37Z)
• WorkflowLLM: Enhancing Workflow Orchestration Capability of Large Language Models [105.46456444315693]
  ワークフローオーケストレーションにおける大規模言語モデルの能力を高めるための,データ中心のフレームワークであるLLMを提案する。 最初は106,763のサンプルで大規模な微調整Benchを構築し、28のカテゴリにわたる83のアプリケーションから1,503のAPIをカバーしている。 LlamaLlamaは複雑なAPIをオーケストレーションする能力を示しながら、優れた一般化性能を実現している。
  論文  参考訳（メタデータ） (2024-11-08T09:58:02Z)
• AFlow: Automating Agentic Workflow Generation [36.61172223528231]
  大規模言語モデル(LLM)は、様々な領域にわたる複雑なタスクを解く上で、顕著な可能性を示している。 我々は、Monte Carlo Tree Searchを使って、この空間を効率的に探索する自動化フレームワークであるAFlowを紹介します。 6つのベンチマークデータセットに対する実証的な評価は、AFlowの有効性を示し、最先端のベースラインよりも平均5.7%向上している。
  論文  参考訳（メタデータ） (2024-10-14T17:40:40Z)
• Benchmarking Agentic Workflow Generation [80.74757493266057]
  複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。 また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。 我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
  論文  参考訳（メタデータ） (2024-10-10T12:41:19Z)
• AutoFlow: Automated Workflow Generation for Large Language Model Agents [39.72700864347576]
  大規模言語モデル(LLM)は、複雑な自然言語を理解する上で大きな進歩を見せている。 LLMエージェントが与えられたタスクを解決するための効果的で信頼性の高い手順に従うようにするために、手動で設計されるのが通常である。 複雑なタスクを解決するためにエージェントを自動的に生成するフレームワークであるAutoFlowを提案する。
  論文  参考訳（メタデータ） (2024-07-01T21:05:02Z)
• Improving Generalization in Meta-learning via Task Augmentation [69.83677015207527]
  本稿ではMetaMixとChannel Shuffleの2つのタスク拡張手法を提案する。 MetaMixとChannel Shuffleはどちらも、多くのデータセットにまたがる大きなマージンによって、最先端の結果を上回っている。
  論文  参考訳（メタデータ） (2020-07-26T01:50:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。