論文の概要: From AutoRecSys to AutoRecLab: A Call to Build, Evaluate, and Govern Autonomous Recommender-Systems Research Labs

• arxiv url: http://arxiv.org/abs/2510.18104v1
• Date: Mon, 20 Oct 2025 20:58:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.622585
• Title: From AutoRecSys to AutoRecLab: A Call to Build, Evaluate, and Govern Autonomous Recommender-Systems Research Labs
• Title（参考訳）: AutoRecSysからAutoRecLab: 自律型レコメンダ-システム研究所の構築、評価、運営へのコール
• Authors: Joeran Beel, Bela Gipp, Tobias Vente, Moritz Baumgart, Philipp Meister,
• Abstract要約: 狭義のAutoRecSysツールから、AutoRecLab(AutoRecLab)のAuto Recommender-Systems Research Labへの移行を議論する。 AutoRecLabは、問題アイデア、文献分析、実験的な設計と実行、結果解釈、原稿のドラフト、ロギングといったエンドツーエンドの自動化を統合している。 我々は、コミュニティの撤退を組織化し、次のステップを調整し、自動化された研究システムの責任を負うためのガイダンスを共同執筆する、という呼びかけで締めくくります。
• 参考スコア（独自算出の注目度）: 5.34658805289521
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender-systems research has accelerated model and evaluation advances, yet largely neglects automating the research process itself. We argue for a shift from narrow AutoRecSys tools -- focused on algorithm selection and hyper-parameter tuning -- to an Autonomous Recommender-Systems Research Lab (AutoRecLab) that integrates end-to-end automation: problem ideation, literature analysis, experimental design and execution, result interpretation, manuscript drafting, and provenance logging. Drawing on recent progress in automated science (e.g., multi-agent AI Scientist and AI Co-Scientist systems), we outline an agenda for the RecSys community: (1) build open AutoRecLab prototypes that combine LLM-driven ideation and reporting with automated experimentation; (2) establish benchmarks and competitions that evaluate agents on producing reproducible RecSys findings with minimal human input; (3) create review venues for transparently AI-generated submissions; (4) define standards for attribution and reproducibility via detailed research logs and metadata; and (5) foster interdisciplinary dialogue on ethics, governance, privacy, and fairness in autonomous research. Advancing this agenda can increase research throughput, surface non-obvious insights, and position RecSys to contribute to emerging Artificial Research Intelligence. We conclude with a call to organise a community retreat to coordinate next steps and co-author guidance for the responsible integration of automated research systems.
• Abstract（参考訳）: Recommender-systems の研究はモデルと評価の進歩を加速してきたが、研究プロセス自体の自動化は無視されている。 私たちは、アルゴリズムの選択とハイパーパラメータチューニングに焦点を当てた、狭いAutoRecSysツールから、エンドツーエンドの自動化を統合するAutoRecLab(Auto Recommender-Systems Research Lab)への移行を主張しています。 自動化科学(例えば、マルチエージェントAI科学者とAIの共同科学者システム)の最近の進歩に基づいて、我々はRecSysコミュニティの議題を概説する: 1) LLM駆動のアイデアと自動実験によるレポートを組み合わせたオープンなAutoRecLabプロトタイプを構築する; (2) 再現可能なRecSysの発見を最小限の人間入力で評価するベンチマークとコンペティションを確立する; 3) 透過的なAI生成の場を作成する;(4) 詳細な研究ログとメタデータによる帰属と再現性に関する標準を定義する; (5) 自律的な研究における倫理、ガバナンス、プライバシー、公正性に関する学際的な対話を促進する。 このアジェンダの強化は、研究のスループットを向上し、予期せぬ洞察を表面化し、RecSysを新たな人工知能に貢献するために配置する。 我々は、コミュニティの撤退を組織化し、次のステップを調整し、自動化された研究システムの責任を負うためのガイダンスを共同執筆する、という呼びかけで締めくくります。

関連論文リスト

• MLR-Bench: Evaluating AI Agents on Open-Ended Machine Learning Research [70.72318131988102]
  MLR-Benchは、オープンエンド機械学習研究においてAIエージェントを評価するための包括的なベンチマークである。 MLR-Benchは,(1)NeurIPS, ICLR, ICMLのさまざまなMLトピックを対象としたワークショップから得られた201のリサーチタスク,(2)LLMベースのレビュアーと慎重に設計されたレビュールーリックを組み合わせた自動評価フレームワーク,(3)MLR-Agent,研究タスクを4段階(アイデア生成,提案定式化,実験,論文執筆)で完了するモジュールエージェントの足場である。
  論文  参考訳（メタデータ） (2025-05-26T13:18:37Z)
• From Automation to Autonomy: A Survey on Large Language Models in Scientific Discovery [67.07598263346591]
  大規模言語モデル(LLM)は科学的発見のパラダイムシフトを触媒している。 この調査は、この急成長する分野を体系的に分析し、科学におけるLLMの役割の変化とエスカレーション能力に重点を置いている。
  論文  参考訳（メタデータ） (2025-05-19T15:41:32Z)
• A Vision for Auto Research with LLM Agents [46.95148319863236]
  本稿では,科学研究の全ライフサイクルの自動化,コーディネート,最適化を目的とした構造化マルチエージェントフレームワークであるエージェントベースオートリサーチを紹介する。 このシステムは、文献レビュー、アイデア、方法論、実験、論文執筆、査読応答、普及など、すべての主要な研究段階にまたがる。
  論文  参考訳（メタデータ） (2025-04-26T02:06:10Z)
• CycleResearcher: Improving Automated Research via Automated Review [37.03497673861402]
  本稿では,オープンソースの後学習型大規模言語モデル(LLM)を,自動研究とレビューの全サイクルを遂行する自律エージェントとして活用する可能性について検討する。 これらのモデルをトレーニングするために、現実の機械学習研究とピアレビューダイナミクスを反映した2つの新しいデータセットを開発した。 その結果,CycleReviewerは平均絶対誤差(MAE)を26.89%削減して有望な性能を達成できた。
  論文  参考訳（メタデータ） (2024-10-28T08:10:21Z)
• System for systematic literature review using multiple AI agents: Concept and an empirical evaluation [3.453564255183234]
  体系的文献レビュー(SLR)は証拠に基づく研究の基礎である。 本稿では,SLRの完全自動化を目的とした新しいマルチAIエージェントシステムを提案する。 包括性と精度を維持しつつ,従来のSLRに必要な時間と労力を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2024-03-13T10:27:52Z)

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。