論文の概要: FELA: A Multi-Agent Evolutionary System for Feature Engineering of Industrial Event Log Data

• arxiv url: http://arxiv.org/abs/2510.25223v2
• Date: Tue, 04 Nov 2025 15:40:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 14:27:17.369411
• Title: FELA: A Multi-Agent Evolutionary System for Feature Engineering of Industrial Event Log Data
• Title（参考訳）: FELA:産業イベントログデータの特徴工学のためのマルチエージェント進化システム
• Authors: Kun Ouyang, Haoyu Wang, Dong Fang,
• Abstract要約: イベントログデータは、現代のデジタルサービスにとって最も価値のある資産の1つである。 AutoMLや遺伝的手法のような既存の機能エンジニアリングアプローチは、しばしば限定的な説明責任に悩まされる。 複雑なイベントログデータから有意義かつ高性能な特徴を自律的に抽出するマルチエージェント進化システムFELAを提案する。
• 参考スコア（独自算出の注目度）: 7.129004248608012
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Event log data, recording fine-grained user actions and system events, represent one of the most valuable assets for modern digital services. However, the complexity and heterogeneity of industrial event logs--characterized by large scale, high dimensionality, diverse data types, and intricate temporal or relational structures--make feature engineering extremely challenging. Existing automatic feature engineering approaches, such as AutoML or genetic methods, often suffer from limited explainability, rigid predefined operations, and poor adaptability to complicated heterogeneous data. In this paper, we propose FELA (Feature Engineering LLM Agents), a multi-agent evolutionary system that autonomously extracts meaningful and high-performing features from complex industrial event log data. FELA integrates the reasoning and coding capabilities of large language models (LLMs) with an insight-guided self-evolution paradigm. Specifically, FELA employs specialized agents--Idea Agents, Code Agents, and Critic Agents--to collaboratively generate, validate, and implement novel feature ideas. An Evaluation Agent summarizes feedback and updates a hierarchical knowledge base and dual-memory system to enable continual improvement. Moreover, FELA introduces an agentic evolution algorithm, combining reinforcement learning and genetic algorithm principles to balance exploration and exploitation across the idea space. Extensive experiments on real industrial datasets demonstrate that FELA can generate explainable, domain-relevant features that significantly improve model performance while reducing manual effort. Our results highlight the potential of LLM-based multi-agent systems as a general framework for automated, interpretable, and adaptive feature engineering in complex real-world environments.
• Abstract（参考訳）: イベントログデータ、きめ細かいユーザーアクションとシステムイベントを記録することは、現代のデジタルサービスにとって最も価値のある資産の1つである。 しかし、産業イベントログの複雑さと不均一性は、大規模、高次元性、多様なデータタイプ、複雑な時間的またはリレーショナルな構造によって特徴付けられる。 AutoMLや遺伝的手法のような既存の自動機能エンジニアリングアプローチは、しばしば限定的な説明可能性、厳密な事前定義された操作、複雑な異種データへの適応性に悩まされる。 本稿では,複合産業イベントログデータから有意義かつ高性能な特徴を自律的に抽出する多エージェント進化システムであるFELA(Feature Engineering LLM Agents)を提案する。 FELAは、大規模言語モデル(LLM)の推論とコーディング能力と、洞察誘導型自己進化パラダイムを統合する。 具体的には、FELAは特殊エージェント(Idea Agents, Code Agents, Critic Agents)を採用して、新しい特徴のアイデアを共同で生成し、検証し、実装している。 評価エージェントはフィードバックを要約し、階層的な知識ベースとデュアルメモリシステムを更新し、継続的な改善を可能にする。 さらに、FELAはエージェント進化アルゴリズムを導入し、強化学習と遺伝的アルゴリズムの原則を組み合わせて、アイデア空間をまたいだ探索と搾取のバランスをとる。 実産業データセットに関する大規模な実験は、FELAが説明可能なドメイン関連機能を生成し、手作業の労力を減らしながら、モデルパフォーマンスを大幅に改善することを示した。 本研究は,複合現実環境における自動,解釈可能,適応的機能工学の汎用フレームワークとして,LLMベースのマルチエージェントシステムの可能性を強調した。

関連論文リスト

• Autonomous Data Agents: A New Opportunity for Smart Data [50.02229219403014]
  DataAgentsは、自律的なデータから知識システムへのパラダイムシフトを表している、とReportは主張する。 DataAgentsは、複雑で非構造化されたデータをコヒーレントで行動可能な知識に変換する。 エージェントAIとデータ・トゥ・ナレッジシステムの収束が重要なトレンドとなっている理由を最初に検討する。
  論文  参考訳（メタデータ） (2025-09-23T06:46:41Z)
• Multi-Agent Data Visualization and Narrative Generation [1.935127147843886]
  データ分析ワークフローを自動化する軽量なマルチエージェントシステムを提案する。 提案手法は,ハイブリッドマルチエージェントアーキテクチャと決定論的コンポーネントを組み合わせることで,重要な論理を戦略的に外部化する。 このシステムは、完全な再生なしに外科的修正を可能にする、粒度の細かいモジュラー出力を提供する。
  論文  参考訳（メタデータ） (2025-08-30T12:39:55Z)
• Graphs Meet AI Agents: Taxonomy, Progress, and Future Opportunities [117.49715661395294]
  データ構造化は、複雑で非組織的なデータをよく構造化された形式に変換することで、有望な役割を果たす。 この調査では、グラフがAIエージェントにどのように権限を与えるかを、初めて体系的にレビューする。
  論文  参考訳（メタデータ） (2025-06-22T12:59:12Z)
• R&D-Agent: An LLM-Agent Framework Towards Autonomous Data Science [70.1638335489284]
  高レベルの機械学習エンジニアリングタスクは、労働集約的で反復的である。 機械学習プロセスを形式化する包括的で分離されたフレームワークであるR&D-Agentを紹介します。 R&D-AgentはMLEを2つのフェーズと6つのコンポーネントに定義し、MLEのエージェント設計を原則としてテスト可能なプロセスに変える。
  論文  参考訳（メタデータ） (2025-05-20T06:07:00Z)
• DatawiseAgent: A Notebook-Centric LLM Agent Framework for Adaptive and Robust Data Science Automation [10.390461679868197]
  我々は、適応的で堅牢なデータサイエンス自動化のためのノートブック中心の大規模言語モデル(LLM)エージェントフレームワークであるDatawiseAgentを紹介する。 人間のデータサイエンティストが計算ノートブックでどのように機能するかに触発されたDatawiseAgentは、統一された相互作用表現とマルチステージアーキテクチャを導入した。
  論文  参考訳（メタデータ） (2025-03-10T08:32:33Z)
• Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG [0.8463972278020965]
  大規模言語モデル(LLM)は、人間のようなテキスト生成や自然言語理解を可能にすることによって、人工知能(AI)に革命をもたらした。 Retrieval Augmented Generation (RAG) がソリューションとして登場し、リアルタイムデータ検索を統合して文脈に関連のある応答を提供することでLLMを強化している。 Agentic Retrieval-Augmented Generation (RAG)は、自律的なAIエージェントをRAGパイプラインに埋め込むことによって、これらの制限を超越する。
  論文  参考訳（メタデータ） (2025-01-15T20:40:25Z)
• Octopus: Embodied Vision-Language Programmer from Environmental Feedback [58.04529328728999]
  身体視覚言語モデル(VLM)は多モード認識と推論において大きな進歩を遂げた。 このギャップを埋めるために、我々は、計画と操作を接続する媒体として実行可能なコード生成を使用する、具体化された視覚言語プログラマであるOctopusを紹介した。 Octopusは、1)エージェントの視覚的およびテキスト的タスクの目的を正確に理解し、2)複雑なアクションシーケンスを定式化し、3)実行可能なコードを生成するように設計されている。
  論文  参考訳（メタデータ） (2023-10-12T17:59:58Z)

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。