論文の概要: Autodata: An agentic data scientist to create high quality synthetic data
- arxiv url: http://arxiv.org/abs/2606.25996v2
- Date: Thu, 25 Jun 2026 13:26:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 15:44:16.380966
- Title: Autodata: An agentic data scientist to create high quality synthetic data
- Title（参考訳）: Autodata: 高品質な合成データを作成するエージェントデータサイエンティスト
- Abstract要約: このようなデータサイエンティストエージェントを訓練(メタ最適化)する方法を示します。
我々は,計算機科学研究タスク,法的推論タスク,数学的対象による推論実験を行う。
この方向は、AIデータの構築方法を変える可能性がある、と私たちは信じています。
- 参考スコア（独自算出の注目度）: 73.52340524237377
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Autodata, a general method that enables AI agents to act as data scientists who build high quality training and evaluation data. We show how to train (meta-optimize) such a data scientist agent, so that it learns to create even stronger data. We describe the overall formulation, and a specific practical implementation, Agentic Self-Instruct. We conduct experiments on computer science research tasks, legal reasoning tasks and reasoning with mathematical objects, where we obtain improved results compared to classical synthetic dataset creation methods. Further, meta-optimizing the data scientist agent itself delivers an even larger performance uplift. Agentic data creation provides a way to convert increased inference compute into higher quality model training. Overall, we believe this direction has the potential to change the way we build AI data.
- Abstract（参考訳）: 我々は、AIエージェントが高品質なトレーニングと評価データを構築するデータサイエンティストとして機能するための一般的な方法であるAutodataを紹介する。
このようなデータサイエンティストエージェントを訓練(メタ最適化)する方法を示します。
本稿では, 総合的な定式化, 具体的実践, エージェント・セルフ・インストラクションについて述べる。
我々は,計算機科学研究課題,法的推論課題,数学的対象を用いた推論実験を行い,古典的な合成データセット作成法と比較して改善された結果を得た。
さらに、データサイエンティストエージェント自体のメタ最適化は、さらに大きなパフォーマンス向上をもたらす。
エージェントデータ生成は、増大する推論計算を高品質なモデルトレーニングに変換する方法を提供する。
全体として、この方向はAIデータの構築方法を変える可能性があると考えています。
関連論文リスト
- Can Agentic AI Match the Performance of Human Data Scientists? [27.236034079837044]
大規模言語モデル(LLM)は、非常に自動化されたデータサイエンスを持つ。
これらのエージェントAIシステムは、人間のデータサイエンティストのパフォーマンスに本当にマッチできるか?
ジェネリック分析ワークフローに依存するエージェントAIは、ドメイン固有の洞察を使用するメソッドに劣っていることを示す。
論文 参考訳（メタデータ） (2025-12-24T05:31:42Z) - Dataforge: A Data Agent Platform for Autonomous Data Engineering [22.691284342164334]
Data Agentは、表データに特化した完全に自律的なシステムである。
データクリーニング、階層的ルーティング、デュアルフィードバックループによる機能レベルの最適化を自動的に実行する。
自動、安全、非専門家フレンドリーという3つの基本原則を具現化し、人間の監督なしにエンドツーエンドの信頼性を保証する。
論文 参考訳（メタデータ） (2025-11-09T01:58:13Z) - What's the next frontier for Data-centric AI? Data Savvy Agents [71.76058707995398]
我々は、エージェントシステムの設計において、データに精通する能力が最優先すべきであると主張している。
本稿では,このビジョンを実現するための4つの重要な機能を提案する。プロアクティブデータ取得,ソフシフィケートデータ処理,インタラクティブテストデータ合成,連続的適応。
論文 参考訳（メタデータ） (2025-11-02T17:09:29Z) - 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) - Meta-Learning and Synthetic Data for Automated Pretraining and Finetuning [2.657867981416885]
機械学習(ML)における事前訓練モデルの増加は、実践者にとって大きな課題となる。
モデルがスケールするにつれて、実世界のデータへの依存度の増加は、トレーニングのボトルネックとなり、より効率的にデータを活用する必要がある。
この論文はメタラーニングを採用し、機械学習をディープラーニング領域に拡張する。
論文 参考訳（メタデータ） (2025-06-11T12:48:45Z) - DSBench: How Far Are Data Science Agents from Becoming Data Science Experts? [58.330879414174476]
現実的なタスクでデータサイエンスエージェントを評価するためのベンチマークであるDSBenchを紹介する。
このベンチマークには、466のデータ分析タスクと、EloquenceとKaggleのコンペからソースされた74のデータモデリングタスクが含まれている。
現状のLLM, LVLM, エージェントを評価したところ, 最高のエージェントはデータ解析タスクの34.12%しか解決できず, RPG(Relative Performance Gap)は34.74%であった。
論文 参考訳（メタデータ） (2024-09-12T02:08:00Z) - On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
AI技術の信頼性に関する深刻な懸念があった。
機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。
本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-24T14:01:53Z) - Data-centric Artificial Intelligence: A Survey [47.24049907785989]
近年、AIにおけるデータの役割は大幅に拡大し、データ中心AIという新たな概念が生まれた。
本稿では,データ中心型AIの必要性について論じ,続いて3つの一般的なデータ中心型目標の全体像を考察する。
これは、データライフサイクルのさまざまな段階にわたるタスクのグローバルなビューを提供する、初めての総合的な調査である、と私たちは信じています。
論文 参考訳（メタデータ） (2023-03-17T17:44:56Z)
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。