論文の概要: From Experience to Skill: Multi-Agent Generative Engine Optimization via Reusable Strategy Learning

• arxiv url: http://arxiv.org/abs/2604.19516v1
• Date: Tue, 21 Apr 2026 14:39:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.815136
• Title: From Experience to Skill: Multi-Agent Generative Engine Optimization via Reusable Strategy Learning
• Title（参考訳）: 経験からスキルへ - 再利用可能な戦略学習によるマルチエージェント生成エンジン最適化
• Authors: Beining Wu, Fuyou Mao, Jiong Lin, Cheng Yang, Jiaxuan Lu, Yifu Guo, Siyu Zhang, Yifan Wu, Ying Huang, Fu Li,
• Abstract要約: 生成エンジン(GE)は、ランク付けされたリンクを引用グラウンドの回答に置き換えることで、情報アクセスを再構築している。 本稿では,マルチエージェントフレームワークであるMAGEOを提案する。 3つのメインストリームエンジンの実験では、MAGEOは可視性と励振の両面においてベースラインを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 18.351281487408176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative engines (GEs) are reshaping information access by replacing ranked links with citation-grounded answers, yet current Generative Engine Optimization (GEO) methods optimize each instance in isolation, unable to accumulate or transfer effective strategies across tasks and engines. We reframe GEO as a strategy learning problem and propose MAGEO, a multi-agent framework in which coordinated planning, editing, and fidelity-aware evaluation serve as the execution layer, while validated editing patterns are progressively distilled into reusable, engine-specific optimization skills. To enable controlled assessment, we introduce a Twin Branch Evaluation Protocol for causal attribution of content edits and DSV-CF, a dual-axis metric that unifies semantic visibility with attribution accuracy. We further release MSME-GEO-Bench, a multi-scenario, multi-engine benchmark grounded in real-world queries. Experiments on three mainstream engines show that MAGEO substantially outperforms heuristic baselines in both visibility and citation fidelity, with ablations confirming that engine-specific preference modeling and strategy reuse are central to these gains, suggesting a scalable learning-driven paradigm for trustworthy GEO. Code is available at https://github.com/Wu-beining/MAGEO
• Abstract（参考訳）: ジェネレーティブエンジン(GE)は、ランク付けされたリンクを引用グラウンドの回答に置き換えることで情報アクセスを再構築しているが、現在のジェネレーティブエンジン最適化(GEO)メソッドは、各インスタンスを独立して最適化し、タスクやエンジンをまたいだ効果的な戦略を蓄積または転送することができない。 GEOを戦略学習問題として再編成し,多エージェントフレームワークであるMAGEOを提案する。これは協調的な計画,編集,忠実度を考慮した評価が実行層として機能し,検証済みの編集パターンは再利用可能なエンジン固有の最適化スキルに段階的に蒸留される。 制御された評価を可能にするために、コンテンツ編集の因果帰属のためのツインブランチ評価プロトコルと、属性の精度でセマンティックな可視性を統一する2軸メトリックであるDSV-CFを導入する。 さらに,実世界のクエリをベースとしたマルチシナリオ・マルチエンジンベンチマークであるMSME-GEO-Benchをリリースする。 3つのメインストリームエンジンの実験では、MAGEOは可視性と引用の忠実性の両方においてヒューリスティックなベースラインを大幅に上回っており、エンジン固有の選好モデリングと戦略再利用がこれらの利益の中心であることが確認され、信頼できるGEOのためのスケーラブルな学習駆動パラダイムが示唆されている。 コードはhttps://github.com/Wu-beining/MAGEOで入手できる。

関連論文リスト

• AgenticGEO: A Self-Evolving Agentic System for Generative Engine Optimization [32.13915434333156]
  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。
  論文  参考訳（メタデータ） (2026-03-02T16:13:13Z)
• CARD: Towards Conditional Design of Multi-agent Topological Structures [83.18278008173746]
  CARD(Conditional Agentic Graph Designer)は、アダプティブマルチエージェント通信のためのプロトコルであるAMACPをインスタンス化する、条件付きグラフ生成フレームワークである。 CARDは、モデル能力やリソース可用性の変化に対して効果的かつレジリエントな通信構造を生成する。
  論文  参考訳（メタデータ） (2026-03-01T13:02:36Z)
• GEO-Bench-2: From Performance to Capability, Rethinking Evaluation in Geospatial AI [52.13138825802668]
  GeoFMは地球観測を変革しているが、評価には標準化されたプロトコルが欠けている。 GEO-Bench-2は、分類、セグメンテーション、回帰、オブジェクト検出、インスタンスセグメンテーションにまたがる包括的なフレームワークでこの問題に対処する。 GEO-Bench-2のコード、データ、およびリーダーボードは、パーミッシブライセンスの下で公開されている。
  論文  参考訳（メタデータ） (2025-11-19T17:45:02Z)
• What Generative Search Engines Like and How to Optimize Web Content Cooperatively [29.736392688493808]
  Google AI概要やChatGPTといったジェネレーティブエンジンは、ユーザエクスペリエンスを大幅に強化する。 これらの急速な採用は、コンテンツプロバイダがより牽引力を得ようとしているため、ジェネレーティブエンジン最適化(GEO)の必要性も引き起こしている。 本稿では,検索したコンテンツを用いて応答生成を行う際に,生成エンジンの好みを自動的に学習するフレームワークであるAutoGEOを紹介する。
  論文  参考訳（メタデータ） (2025-10-13T14:10:26Z)
• Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
  本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。 ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。 我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
  論文  参考訳（メタデータ） (2025-10-11T18:11:09Z)
• AutoMLGen: Navigating Fine-Grained Optimization for Coding Agents [27.864519204078004]
  大規模言語モデル(LLM)は、一般的なプログラミングタスクにおいて印象的なパフォーマンスを示している。 我々は、高品質な事前ガイダンスのためのドメイン知識ベースを統合するLLMベースのコーディングエージェントであるAutoMLGenを紹介する。 以上の結果から,AutoMLGenは平均メダル率や有効な応募率など,数多くの分野で最先端のパフォーマンスを実現していることがわかった。
  論文  参考訳（メタデータ） (2025-10-09T17:45:05Z)
• 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)
• Improving Retrieval-Augmented Generation through Multi-Agent Reinforcement Learning [88.55095746156428]
  Retrieval-augmented Generation (RAG) は、外部知識を大規模言語モデルに組み込むために広く利用されている。 標準的なRAGパイプラインは、クエリ書き換え、文書検索、文書フィルタリング、回答生成など、いくつかのコンポーネントで構成されている。 本稿では,複数コンポーネントからなる複雑なRAGパイプラインを多エージェント協調作業として扱うことを提案する。
  論文  参考訳（メタデータ） (2025-01-25T14:24:50Z)
• 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)

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。