論文の概要: Experience Graphs: The Data Foundation for Self-Improving Agents

• arxiv url: http://arxiv.org/abs/2606.29823v1
• Date: Mon, 29 Jun 2026 06:02:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.065915
• Title: Experience Graphs: The Data Foundation for Self-Improving Agents
• Title（参考訳）: Experience Graphs: 自己改善エージェントのためのデータファウンデーション
• Abstract要約: 我々は、コード生成、科学的発見、設計といった長期のエージェントタスクがそのような作業負荷であると主張している。 この検索は、私たちがエクスペリエンスグラフと呼ぶ構造化オブジェクトを生成します。 Trellisは、エクスペリエンスグラフを第一級で、管理され、クエリ可能なデータベースとして扱うデータ基盤である。
• 参考スコア（独自算出の注目度）: 24.60392207371798
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The database community has repeatedly advanced the state of the art by recognizing that new workloads demand new system architectures. We argue that long-horizon agentic tasks -- code generation, scientific discovery, hardware design -- are such a workload. These agents explore: they generate artifacts, execute tools, observe failures, branch, and repair over hundreds of steps. This search produces a structured object we call an experience graph: executable artifacts, tool outputs, rewards, sibling comparisons, and causal lineage. Yet existing agent frameworks treat this experience as disposable state -- JSON checkpoints and session logs that cannot be recovered after a crash, queried across users, or materialized into training data. We propose Trellis: a data foundation that treats the experience graph as first-class, governed, queryable database state. The core insight is that search over experience graphs is a database access pattern. Frontier selection is a query, cross-session reuse is vector-seeded graph retrieval, training-data extraction is a materialized view, and reconstructing what an agent knew at any past step is a time-travel query. When the database owns the experience graph, agents become stateless compute, and crash recovery, horizontal scaling, and a closed-loop training flywheel emerge as architectural byproducts. We ground the design in KernelEvolve, a production accelerator-kernel optimizer at Meta, where cross-session reuse reaches a target speedup roughly 10x faster at 52% lower token cost. More broadly, Trellis turns inference-time search from disposable computation into a durable institutional asset: logs made databases reliable; experience graphs may make agents cumulative.
• Abstract（参考訳）: データベースコミュニティは、新しいワークロードが新しいシステムアーキテクチャを要求することを認識して、最先端の技術を何度も推進してきた。 我々は、コード生成、科学的発見、ハードウェア設計といった長期のエージェントタスクが、そのような作業負荷であると主張している。 これらのエージェントは、アーティファクトを生成し、ツールを実行し、障害を観察し、分岐し、数百のステップで修復する。 実行可能なアーティファクト、ツール出力、報酬、兄弟比較、因果関係などです。 しかし、既存のエージェントフレームワークは、このエクスペリエンスを使い捨ての状態として扱う。JSONチェックポイントとセッションログは、クラッシュ後にリカバリできない、ユーザをまたいだクエリ、あるいはトレーニングデータに実体化されている。 Trellisは、エクスペリエンスグラフを第一級で、管理され、クエリ可能なデータベース状態として扱うデータ基盤である。 中心となる洞察は、エクスペリエンスグラフの検索はデータベースアクセスパターンであるということだ。 Frontier selectionはクエリであり、クロスセッションの再利用はベクトルシードグラフ検索であり、トレーニングデータ抽出は実体化されたビューであり、エージェントが過去のステップで知っていることを再構築することはタイムトラベルクエリである。 データベースがエクスペリエンスグラフを所有すると、エージェントはステートレスな計算、クラッシュ回復、水平スケーリング、クローズドループトレーニングフライホイールがアーキテクチャの副産物として出現する。 私たちはMetaのプロダクションアクセラレーターカーネルオプティマイザであるKernelEvolveに設計を組み、クロスセッションの再利用はトークンコストの52%で目標速度の約10倍高速に到達した。 より広範に言えば、Trellisは、使い捨ての計算から、推論時探索を耐久性のある機関資産に変える:ログはデータベースを信頼できるものにし、経験グラフはエージェントを累積的にする。

関連論文リスト

• From Final Artifacts to Trajectories: Retrospective Process Supervision for Evidence-Grounded Long-Form Generation [49.496216822640974]
  RetroGenは、レトロスペクティブプロセスの監視のための自己改善フレームワークである。 専門の工芸品から潜伏軌跡を再構築し、その工芸品に対して検証し、証拠を裏付け、独自の再建データに基づいて模型を訓練する。 実験の結果、RetroGenは接地、忠実な合成、長期にわたるエビデンス検索のタスクを改善していることがわかった。
  論文  参考訳（メタデータ） (2026-08-31T08:47:39Z)
• AgentTrails: Towards Trust and Reuse for Agentic Tasks [12.615897924172812]
  LLMベースのエージェントは、ツールの呼び出し、データベースのクエリ、コードの実行、中間アーティファクトの操作によって複雑なタスクに対処する。 これらのエージェントは、通常、時系列ログとして格納されるトラジェクトリに従い、基礎となるデータフローを隠蔽する。 本稿ではエージェント証明とセンスメイキングのためのプロトタイプシステムであるAgentTrailsを紹介する。
  論文  参考訳（メタデータ） (2026-07-21T07:53:58Z)
• SEGRA: Structured Experience-Guided Graph Reasoning Agent for Gremlin Based Question Answering [1.4924423820656074]
  テキスト・トゥ・グレムリン質問応答のための体験誘導エージェントSEGRAを紹介する。 企業ITサポートのベンチマークでは、SEGRAはバックボーンのみのチェーン・オブ・シークレットのプロンプトよりも平均判断スコアが7.0倍高い。
  論文  参考訳（メタデータ） (2026-07-21T03:22:40Z)
• The Log is the Agent: Event-Sourced Reactive Graphs for Auditable, Forkable Agentic Systems [0.0]
  典型的なエージェントフレームワークを反転させるランタイムであるActiveGraphについて説明する。 追加のみのイベントログが真実の源であり、ワーキンググラフはそのログの決定論的プロジェクションである。 コンポーネントが他のコンポーネントに指示することはありません。
  論文  参考訳（メタデータ） (2026-05-21T04:55:38Z)
• GraphWalk: Enabling Reasoning in Large Language Models through Tool-Based Graph Navigation [0.2999888908665658]
  問題に依存しない、トレーニング不要な、ツールベースのフレームワークであるGraphWalkを紹介します。 我々は、GraphWalkを組み込んだモデルが、これらの操作を正しい多段階推論チェーンに構成できるかどうかを評価する。
  論文  参考訳（メタデータ） (2026-04-02T04:43:01Z)
• GraphER: An Efficient Graph-Based Enrichment and Reranking Method for Retrieval-Augmented Generation [47.014599006114594]
  GraphERはグラフベースのエンリッチメントとリグレードメソッドで、セマンティックな類似性を超えた、複数の形式の近接をキャプチャする。 知識グラフを必要としないため、GraphERは標準的なベクトルストアとシームレスに統合できる。 複数のベンチマーク実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-03-26T01:30:22Z)
• GraphRunner: A Multi-Stage Framework for Efficient and Accurate Graph-Based Retrieval [3.792463570467098]
  GraphRunnerは、新しいグラフベースの検索フレームワークで、計画、検証、実行の3つの異なる段階で動作する。 推論エラーを著しく低減し、実行前に幻覚を検出する。 GRBenchデータセットによる評価は、GraphRunnerが既存のアプローチを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-07-11T18:10:01Z)
• AgentSwift: Efficient LLM Agent Design via Value-guided Hierarchical Search [58.98450205734779]
  大規模言語モデル(LLM)エージェントは、多様なドメインにまたがる強力な機能を示している。 既存のエージェントサーチ手法には3つの大きな制限がある。 これらの課題に対処するための包括的なフレームワークを導入します。
  論文  参考訳（メタデータ） (2025-06-06T12:07:23Z)
• GraphReader: Building Graph-based Agent to Enhance Long-Context Abilities of Large Language Models [58.08177466768262]
  大規模言語モデル(LLM)では、複雑なロングコンテクストのタスクに対処するためには、ロングコンテクストの能力が不可欠である。 グラフをグラフに構造化し、エージェントを使ってグラフを自律的に探索することで、長いテキストを扱うように設計されたグラフベースのエージェントシステムであるGraphReaderを紹介する。 LV-Evalデータセットの実験結果によると、GraphReaderは4kコンテキストウィンドウを使用して、16kから256kまでのコンテキスト長で一貫してGPT-4-128kを上回っている。
  論文  参考訳（メタデータ） (2024-06-20T17:57:51Z)
• A Unified Active Learning Framework for Annotating Graph Data with Application to Software Source Code Performance Prediction [4.572330678291241]
  ソフトウェアの性能予測を専門とする一貫したアクティブラーニングフレームワークを開発した。 能動的・受動的学習に異なるレベルの情報を用いることが与える影響について検討する。 我々のアプローチは、異なるソフトウェアパフォーマンス予測のためのAIモデルへの投資を改善することを目的としています。
  論文  参考訳（メタデータ） (2023-04-06T14:00:48Z)
• Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases [63.96793270418793]
  複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。 ニューラルグラフデータベース(NGDB)の概念を紹介する。 NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
  論文  参考訳（メタデータ） (2023-03-26T04:03:37Z)
• Retrieval-Augmented Reinforcement Learning [63.32076191982944]
  過去の経験のデータセットを最適な行動にマップするために、ネットワークをトレーニングします。 検索プロセスは、現在のコンテキストで有用なデータセットから情報を取得するために訓練される。 検索強化R2D2はベースラインR2D2エージェントよりもかなり高速に学習し,より高いスコアを得ることを示す。
  論文  参考訳（メタデータ） (2022-02-17T02:44:05Z)

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。