論文の概要: AgenticRS-Architecture: System Design for Agentic Recommender Systems

• arxiv url: http://arxiv.org/abs/2603.26085v1
• Date: Fri, 27 Mar 2026 05:26:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.360758
• Title: AgenticRS-Architecture: System Design for Agentic Recommender Systems
• Title（参考訳）: AgenticRS-Architecture:エージェントレコメンダシステムのためのシステム設計
• Abstract要約: AutoModelは、産業レコメンデーションシステムの完全なライフサイクルのためのエージェントベースのアーキテクチャである。 モデル、機能、リソースの軸に沿って、3つのコアエージェントをインスタンス化する。モデル設計とトレーニングのためのAutoTrain、データ分析と機能進化のためのAutoFeature、パフォーマンス、デプロイメント、オンライン実験のためのAutoPerf。
• 参考スコア（独自算出の注目度）: 12.522583427934796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AutoModel is an agent based architecture for the full lifecycle of industrial recommender systems. Instead of a fixed recall and ranking pipeline, AutoModel organizes recommendation as a set of interacting evolution agents with long term memory and self improvement capability. We instantiate three core agents along the axes of models, features, and resources: AutoTrain for model design and training, AutoFeature for data analysis and feature evolution, and AutoPerf for performance, deployment, and online experimentation. A shared coordination and knowledge layer connects these agents and records decisions, configurations, and outcomes. Through a case study of a module called paper autotrain, we show how AutoTrain automates paper driven model reproduction by closing the loop from method parsing to code generation, large scale training, and offline comparison, reducing manual effort for method transfer. AutoModel enables locally automated yet globally aligned evolution of large scale recommender systems and can be generalized to other AI systems such as search and advertising.
• Abstract（参考訳）: AutoModelは、産業レコメンデーションシステムの完全なライフサイクルのためのエージェントベースのアーキテクチャである。 固定されたリコールとランキングパイプラインの代わりに、AutoModelは長期的なメモリと自己改善機能を備えた相互作用する進化エージェントのセットとして推奨を整理する。 モデル、機能、リソースの軸に沿って、3つのコアエージェントをインスタンス化する。モデル設計とトレーニングのためのAutoTrain、データ分析と機能進化のためのAutoFeature、パフォーマンス、デプロイメント、オンライン実験のためのAutoPerf。 共有コーディネートとナレッジレイヤは、これらのエージェントを結合し、決定、構成、結果を記録する。 紙自動訓練と呼ばれるモジュールのケーススタディを通じて、AutoTrainがメソッド解析からコード生成、大規模トレーニング、オフライン比較までループを閉じることで、紙駆動モデル再現を自動化する方法を示し、手作業によるメソッド転送の労力を削減する。 AutoModelは、大規模なレコメンデータシステムのローカルな自動化とグローバルな整合性の発展を可能にし、検索や広告などの他のAIシステムに一般化することができる。

関連論文リスト

• MetaAgent-X : Breaking the Ceiling of Automatic Multi-Agent Systems via End-to-End Reinforcement Learning [26.35314976395182]
  自動MAS設計と実行を協調的に最適化する,エンドツーエンドの強化学習フレームワークであるMetaAgent-Xを紹介する。 MetaAgent-Xは既存のMASベースラインを一貫して上回り、最大21.7%のアップを達成した。 これらの結果は、自己設計および自己実行エージェントモデルを構築するための実践パラダイムとして、エンドツーエンドのトレーニング可能な自動MASを確立する。
  論文  参考訳（メタデータ） (2026-05-14T00:11:27Z)
• AutoOR: Scalably Post-training LLMs to Autoformalize Operations Research Problems [54.593031581486116]
  本稿では,拡張性のある合成データ生成および強化学習パイプラインであるAutoORについて述べる。 AutoORは、標準最適化フォームから検証済みのトレーニングデータを生成し、RL後トレーニングの報奨信号としてソルバ実行フィードバックを使用する。 我々は、AutoORのような手法がAIによる工業的意思決定を著しく加速できると考えている。
  論文  参考訳（メタデータ） (2026-04-18T03:24:54Z)
• AutoSOTA: An End-to-End Automated Research System for State-of-the-Art AI Model Discovery [49.77172027295716]
  AutoSOTAは、トップレベルのAI論文で発表された最新のState-Of-The-Art(SOTA)モデルを進化させるエンドツーエンドの自動研究システムである。 報告された方法を超える新しい105種類のSOTAモデルを発見し、平均して1紙あたり平均5時間である。
  論文  参考訳（メタデータ） (2026-04-07T07:52:01Z)
• AutoMIA: Improved Baselines for Membership Inference Attack via Agentic Self-Exploration [49.050688065974605]
  メンバーシップ推論攻撃(MIAs)は、機械学習モデルにおけるトレーニングデータの漏洩を評価するための基本的な監査ツールである。 本稿では,自己探索と戦略進化の自動化プロセスとして,メンバーシップ推論を再構築するエージェントフレームワークであるAutoMIAを提案する。
  論文  参考訳（メタデータ） (2026-04-01T15:17:45Z)
• Rethinking Recommendation Paradigms: From Pipelines to Agentic Recommender Systems [12.522583427934796]
  大規模産業推薦者は、通常固定された多段パイプライン(リコール、ランク付け、再ランク付け)を使用する。 本稿では,キーモジュールをエージェントとして再編成するエージェントレコメンダシステム(AgenticRS)を提案する。
  論文  参考訳（メタデータ） (2026-03-27T06:14:18Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• AutoAct: Automatic Agent Learning from Scratch for QA via Self-Planning [54.47116888545878]
  AutoActはQAのための自動エージェント学習フレームワークである。 大規模アノテートデータやクローズドソースモデルからの合成計画軌道は依存していない。
  論文  参考訳（メタデータ） (2024-01-10T16:57:24Z)
• AutoFIS: Automatic Feature Interaction Selection in Factorization Models for Click-Through Rate Prediction [75.16836697734995]
  自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。 AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。 AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
  論文  参考訳（メタデータ） (2020-03-25T06:53:54Z)

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。