論文の概要: Contexting as Recommendation: Evolutionary Collaborative Filtering for Context Engineering

• arxiv url: http://arxiv.org/abs/2605.15721v1
• Date: Fri, 15 May 2026 08:17:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.217172
• Title: Contexting as Recommendation: Evolutionary Collaborative Filtering for Context Engineering
• Title（参考訳）: コンテクスト・アズ・レコメンデーション:コンテクスト・エンジニアリングのための進化的協調フィルタリング
• Authors: Jiachen Zhu, Zhuoying Ou, Congmin Zheng, Yuxiang Chen, Zeyu Zheng, Rong Shan, Lingyu Yang, Lionel Z. Wang, Weiwen Liu, Yong Yu, Weinan Zhang, Jianghao Lin,
• Abstract要約: 大規模言語モデル(LLM)は入力コンテキストに非常に敏感である。 既存の手法は、これをグローバルな検索問題として扱い、単一のコンテキスト戦略を求める。 textbfNeural Collaborative Context Engineering (NCCE) は静的なグローバル検索から動的でインスタンスワイズなルーティングへ最適化を移行するフレームワークである。
• 参考スコア（独自算出の注目度）: 37.86884288597418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) are highly sensitive to their input contexts, motivating the development of automated context engineering. However, existing methods predominantly treat this as a global search problem, seeking a single context strategy that maximizes average performance across a dataset. This restrictive assumption overlooks the fact that different inputs often require distinct guidance, leaving substantial instance-level performance gains untapped. In this paper, we propose a paradigm shift by formulating context engineering as a recommendation problem. We introduce \textbf{Neural Collaborative Context Engineering (NCCE)}, a framework that transitions optimization from a static global search to dynamic, instance-wise routing. NCCE first bootstraps a diverse catalog of anchor contexts and then employs a novel \textbf{Context-CF Co-Evolution} mechanism. This stage establishes a synergistic feedback loop: a lightweight Neural Collaborative Filtering (NCF) model learns instance-context preferences to guide the generation of specialized context variants, while the newly evaluated contexts continuously refine the NCF model's understanding of latent preferences. At inference time, the trained NCF model acts as a context router, dynamically assigning the most suitable context strategy to each unseen instance. Theoretical Proofs and comprehensive experiments demonstrate that by matching individual inputs with their optimal contexts, NCCE significantly improves task accuracy, highlighting the critical importance of personalization in LLM context engineering.
• Abstract（参考訳）: 大規模言語モデル(LLM)は入力コンテキストに非常に敏感であり、自動コンテキストエンジニアリングの開発を動機付けている。 しかし、既存の手法では、これをグローバルな検索問題として扱うことが多く、データセット全体の平均性能を最大化する単一のコンテキスト戦略を模索している。 この制限的な仮定は、異なる入力がしばしば異なるガイダンスを必要とするという事実を見落としており、インスタンスレベルのパフォーマンス向上は未解決のままである。 本稿では,コンテクスト工学を推薦問題として定式化したパラダイムシフトを提案する。 我々は,静的なグローバル検索から動的,インスタンスワイズなルーティングへ最適化を移行するフレームワークである 'textbf{Neural Collaborative Context Engineering (NCCE) を紹介した。 NCCEは最初、さまざまなアンカーコンテキストのカタログをブートストラップし、その後、新しい \textbf{Context-CF Co-Evolution} メカニズムを使用する。 軽量なニューラルコラボレーティブ・フィルタリング(NCF)モデルは、特殊なコンテキスト変種の生成を導くために、インスタンスコンテキストの嗜好を学習し、新たに評価されたコンテキストは、NCFモデルの潜在選好に対する理解を継続的に洗練する。 推論時には、トレーニング済みのNCFモデルはコンテキストルータとして機能し、最も適切なコンテキスト戦略を目に見えない各インスタンスに動的に割り当てる。 理論的証明と包括的な実験により、NCCEは個々の入力を最適な文脈に合わせることでタスクの正確性を大幅に改善し、LLMコンテキストエンジニアリングにおけるパーソナライズの重要性を強調している。

関連論文リスト

• ContextNav: Towards Agentic Multimodal In-Context Learning [85.05420047017513]
  ContextNavは、自動検索のスケーラビリティと人間のようなキュレーションの品質と適応性を統合するエージェントフレームワークである。 リソースを意識したマルチモーダル埋め込みパイプラインを構築し、検索可能なベクトルデータベースを維持し、エージェント検索と構造アライメントを適用して、ノイズ耐性のあるコンテキストを構築する。 実験の結果、ContextNavはさまざまなデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-10-06T07:49:52Z)
• CoT Referring: Improving Referring Expression Tasks with Grounded Reasoning [67.18702329644526]
  CoT Referringは、構造化されたチェーン・オブ・シークレット・トレーニングデータ構造を通じて、モデル推論をモダリティにわたって強化する。 トレーニングデータを再構築して、新たな出力フォームを実行し、既存のデータセットに新たなアノテーションを提供します。 また、検出とセグメント化機能を統合MLLMフレームワークに統合し、新しい適応重み付き損失で学習して性能を最適化する。
  論文  参考訳（メタデータ） (2025-10-03T08:50:21Z)
• Zero-Shot Context Generalization in Reinforcement Learning from Few Training Contexts [1.5020330976600738]
  我々は,コンテキスト強化ベルマン方程式(CEBE)を導入し,単一コンテキストでの学習時の一般化を改善する。 我々は,CEBEを決定論的制御環境で近似するための効率的なデータ拡張手法として,文脈サンプル拡張(CSE)を導出する。
  論文  参考訳（メタデータ） (2025-07-10T00:23:13Z)
• Scalable In-Context Q-Learning [68.9917436397079]
  textbfScalable textbfIn-textbfContext textbfQ-textbfLearning (textbfSICQL)を提案する。 textbfSICQLは動的プログラミングとワールドモデリングを利用して、ICRLを効率的な報酬とタスクの一般化に向けて制御する。
  論文  参考訳（メタデータ） (2025-06-02T04:21:56Z)
• Learning Task Representations from In-Context Learning [67.66042137487287]
  大規模言語モデル(LLM)は、文脈内学習(ICL)において顕著な習熟性を示した。 ICLプロンプトにおけるタスク情報をアテンションヘッドの関数として符号化するための自動定式化を導入する。 提案手法は,テキスト中の実演からタスク固有の情報を抽出し,テキストと回帰タスクの両方で優れる。
  論文  参考訳（メタデータ） (2025-02-08T00:16:44Z)
• Towards More Unified In-context Visual Understanding [74.55332581979292]
  マルチモーダル出力を有効にした視覚理解のための新しいICLフレームワークを提案する。 まず、テキストと視覚的プロンプトの両方を量子化し、統一された表現空間に埋め込む。 次にデコーダのみのスパーストランスアーキテクチャを用いて生成モデリングを行う。
  論文  参考訳（メタデータ） (2023-12-05T06:02:21Z)
• Efficient IoT Inference via Context-Awareness [8.882680489254923]
  我々は、スケーラブルで効率的な文脈認識分類のための新しいパラダイム、CACTUSを提案する。 我々は、CACTUSが、さまざまなデータセットやIoTプラットフォームにわたる正確性、レイテンシ、計算予算において、大きなメリットを達成していることを示す。
  論文  参考訳（メタデータ） (2023-10-29T18:57:15Z)
• Compositional Exemplars for In-context Learning [21.961094715261133]
  大規模な事前学習言語モデル(LM)は、印象的なインコンテキスト学習(ICL)能力を示している。 本稿では,CEIL (Compositional Exemplars for In-context Learning) を提案する。 我々は、感情分析、パラフレーズ検出、自然言語推論、コモンセンス推論、オープンドメイン質問応答、コード生成、意味解析を含む7つの異なるNLPタスクから、CEILを12の分類および生成データセットで検証する。
  論文  参考訳（メタデータ） (2023-02-11T14:02:08Z)

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。