論文の概要: AgenticGEO: A Self-Evolving Agentic System for Generative Engine Optimization

• arxiv url: http://arxiv.org/abs/2603.20213v1
• Date: Mon, 02 Mar 2026 16:13:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:12.892067
• Title: AgenticGEO: A Self-Evolving Agentic System for Generative Engine Optimization
• Title（参考訳）: AgenticGEO: 生成エンジン最適化のための自己進化型エージェントシステム
• Authors: Jiaqi Yuan, Jialu Wang, Zihan Wang, Qingyun Sun, Ruijie Wang, Jianxin Li,
• Abstract要約: AgenticGEOは、コンテンツ条件制御問題として最適化を定式化した自己進化型エージェントフレームワークである。 AgenticGEOは最先端のパフォーマンスを実現し、堅牢な転送可能性を示し、3つのデータセットで14のベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 32.13915434333156
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative search engines represent a transition from traditional ranking-based retrieval to Large Language Model (LLM)-based synthesis, transforming optimization goals from ranking prominence towards content inclusion. Generative Engine Optimization (GEO), specifically, aims to maximize visibility and attribution in black-box summarized outputs by strategically manipulating source content. However, existing methods rely on static heuristics, single-prompt optimization, or engine preference rule distillation that is prone to overfitting. They cannot flexibly adapt to diverse content or the changing behaviors of generative engines. Moreover, effectively optimizing these strategies requires an impractical amount of interaction feedback from the engines. To address these challenges, we propose AgenticGEO, a self-evolving agentic framework formulating optimization as a content-conditioned control problem, which enhances intrinsic content quality to robustly adapt to the unpredictable behaviors of black-box engines. Unlike fixed-strategy methods, AgenticGEO employs a MAP-Elites archive to evolve diverse, compositional strategies. To mitigate interaction costs, we introduce a Co-Evolving Critic, a lightweight surrogate that approximates engine feedback for content-specific strategy selection and refinement, efficiently guiding both evolutionary search and inference-time planning. Through extensive in-domain and cross-domain experiments on two representative engines, AgenticGEO achieves state-of-the-art performance and demonstrates robust transferability, outperforming 14 baselines across 3 datasets. Our code and model are available at: https://github.com/AIcling/agentic_geo.
• Abstract（参考訳）: 生成検索エンジンは、従来のランキングに基づく検索からLarge Language Model(LLM)ベースの合成へ移行し、最適化目標をランキングの優位性からコンテンツへの包摂へと変換する。 Generative Engine Optimization (GEO) は、戦略的にソースコンテンツを操作することで、ブラックボックスの要約アウトプットの可視性と属性を最大化することを目的としている。 しかし、既存の手法は静的ヒューリスティックス、単一プロンプト最適化、あるいは過度に適合しがちなエンジン優先規則蒸留に依存している。 多様なコンテンツや生成エンジンの振る舞いに柔軟に適応することはできない。 さらに、これらの戦略を効果的に最適化するには、エンジンからの非現実的な量のインタラクションフィードバックが必要である。 このような課題に対処するため,本研究では,ブラックボックスエンジンの予測不可能な動作に頑健に対応するために,本質的なコンテンツ品質を向上する,自己進化型エージェントフレームワークであるAgenticGEOを提案する。 AgenticGEOは固定戦略とは異なり、MAP-Elitesアーカイブを使用して多様な構成戦略を進化させている。 インタラクションコストを軽減するために,コンテンツ固有の戦略選択と改善のためのエンジンフィードバックを近似した軽量サロゲートであるCo-Evolving Criticを導入し,進化的探索と推論時間計画の両方を効率的に導く。 AgenticGEOは2つの代表的なエンジン上でのドメイン内およびクロスドメインの実験を通じて、最先端のパフォーマンスを達成し、堅牢な転送可能性を示し、3つのデータセットで14のベースラインを上回っている。 私たちのコードとモデルについては、https://github.com/AIcling/agentic_geo.comで公開しています。

関連論文リスト

• Structural Feature Engineering for Generative Engine Optimization: How Content Structure Shapes Citation Behavior [3.433584969325024]
  生成エンジン最適化における構造特徴工学の体系的枠組みであるGEO-SFEを提案する。 提案手法は, コンテンツ構造をマクロ構造, メソ構造, マイクロ構造という3つの階層レベルに分解する。 我々は,構造的効率を改善しつつ,意味的整合性を維持するアーキテクチャを考慮した最適化戦略と予測モデルを開発する。
  論文  参考訳（メタデータ） (2026-03-31T16:41:43Z)
• Task-free Adaptive Meta Black-box Optimization [55.461814601130044]
  対象タスクからのみ最適化データを用いてオンラインパラメータ適応を行うアダプティブメタブラックボックス最適化モデル(ABOM)を提案する。 メタトレーニングと最適化フェーズを分離する従来のメタBBOフレームワークとは異なり、ABOMはクローズドループパラメータ学習機構を導入し、パラメータ化された進化演算子を継続的に自己更新する。 このパラダイムシフトはゼロショット最適化を可能にする: 合成BBOベンチマークにおけるABOMの競合性能と、手作りのトレーニングタスクを伴わない現実的な無人飛行路計画問題。
  論文  参考訳（メタデータ） (2026-01-29T09:54:10Z)
• Evolving Interdependent Operators with Large Language Models for Multi-Objective Combinatorial Optimization [21.70371026963599]
  MOEAのマルチオペレータ最適化はマルコフ決定プロセスとして定式化されている。 E2OCは、最先端のAHDや他のマルチヒューリスティックな共同設計フレームワークを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-25T16:31:07Z)
• Improving Multimodal Sentiment Analysis via Modality Optimization and Dynamic Primary Modality Selection [54.10252086842123]
  マルチモーダル・センティメント・アナリティクス(MSA)は、ビデオにおける言語、音響、視覚データから感情を予測することを目的としている。 本稿では,モーダリティ最適化と動的一次モーダリティ選択フレームワーク(MODS)を提案する。 4つのベンチマークデータセットの実験では、MODSが最先端の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2025-11-09T11:13:32Z)
• Role-Augmented Intent-Driven Generative Search Engine Optimization [9.876307656819039]
  本稿では,G-SEO(Role-Augmented Intent-Driven Generative Search Engine Optimization)法を提案する。 提案手法は,多種多様な情報的役割にまたがるリフレクティブ・リフレクティブ・リファインメントによる検索意図をモデル化し,ターゲットコンテンツの強化を可能にする。 実験結果から,検索意図がコンテンツ最適化に有効な信号であることが示された。
  論文  参考訳（メタデータ） (2025-08-15T02:08:55Z)
• Dynamic Context-oriented Decomposition for Task-aware Low-rank Adaptation with Less Forgetting and Faster Convergence [131.41894248194995]
  タスク認識方式でアダプタを初期化する新しい手法であるコンテキスト指向分解適応(CorDA)を提案する。 本手法は,タスク認識により,知識保存モード (KPM) と命令レビューモード (IPM) の2つのオプション適応モードを実現する。
  論文  参考訳（メタデータ） (2025-06-16T07:55:14Z)
• GEO: Generative Engine Optimization [50.45232692363787]
  我々は、生成エンジン(GE)の統一的な枠組みを定式化する。 GEは大規模な言語モデル(LLM)を使用して情報を収集し、ユーザクエリに応答する。 生成エンジンは通常、複数のソースから情報を合成し、それらを要約することでクエリを満足する。 我々は、生成エンジン応答におけるコンテンツの可視性向上を支援するために、コンテンツ作成者を支援する最初の新しいパラダイムである生成エンジン最適化(GEO)を紹介する。
  論文  参考訳（メタデータ） (2023-11-16T10:06:09Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)

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。