論文の概要: From Noisy Traces to Root Causes: Structural Trajectory Analysis and Causal Extraction for Agent Optimization

• arxiv url: http://arxiv.org/abs/2607.07702v1
• Date: Wed, 08 Jul 2026 17:57:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.487613
• Title: From Noisy Traces to Root Causes: Structural Trajectory Analysis and Causal Extraction for Agent Optimization
• Title（参考訳）: ノイズトレースから根本原因:エージェント最適化のための構造軌道解析と因果抽出
• Abstract要約: 本稿では、高信号雑音最適化コンテキストを構築するフレームワークSTRACEを紹介する。 STRACEは障害パターンをマイニングし、冗長なトレースをフィルタリングし、代表的な障害を保持する。 標準的なコンテキストフィルタリングベースラインを大幅に上回る。
• 参考スコア（独自算出の注目度）: 13.259841042680724
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The optimization of long-horizon agents increasingly relies on reflection-based mechanisms, where a large language model (LLM) acts as an optimizer to diagnose agent failures and improve agent policies. However, real execution traces are difficult to use directly for optimization: large trace collections are often redundant and heterogeneous, making optimization inefficient and prone to overfitting to low-value failures; meanwhile, each individual trajectory also contains many irrelevant steps, while naive context reduction methods such as truncation or sliding windows can discard causally important evidence and produce misleading optimization signals. To resolve this dilemma, we introduce STRACE (Structural TRajectory Analysis and Causal Extraction), a framework that constructs high signal-noise optimization contexts for more precise and effective optimization. At the batch level, STRACE mines failure patterns to filter redundant traces and retain representative failures; within each selected trace, it performs causal localization over a textual dependency graph to remove non-causal steps and identify the true root-cause module for optimization. Empirical results demonstrate that STRACE significantly outperforms standard context-filtering baselines. Notably, on a challenging formal verification task (VeruSAGE-Bench), it successfully optimizes human-expert designed agents, delivering $1.4\times$ success-rate improvement (42.5% to 58.5%). The code is available at https://github.com/moomight/STRACE .
• Abstract（参考訳）: ロングホライゾンエージェントの最適化は、エージェントの障害を診断し、エージェントポリシーを改善するために、大きな言語モデル(LLM)がオプティマイザとして機能するリフレクションベースのメカニズムにますます依存している。 しかし、実際の実行トレースは、しばしば冗長で不均一であり、最適化を非効率にし、低値の障害に過度に適合する傾向がある。一方、個々の軌道には多くの無関係なステップが含まれており、トランケーションやスライディングウインドウのような単純なコンテキスト削減手法は、因果的に重要な証拠を捨て、誤った最適化信号を生成することができる。 このジレンマを解決するためにSTRACE(Structural TRajectory Analysis and Causal extract)を導入する。 バッチレベルでは、STRACEは障害パターンをマイニングし、冗長なトレースをフィルタリングし、代表的な障害を保持する。それぞれのトレースでは、テキスト依存グラフ上の因果ローカライゼーションを実行して、非因果ステップを削除し、最適化のために真のルート原因モジュールを特定する。 実験の結果、STRACEは標準的なコンテキストフィルタリングベースラインよりも大幅に優れていた。 特に、挑戦的な形式的検証タスク(VeruSAGE-Bench)では、人間の熟練したエージェントを最適化し、成功率の改善(42.5%から58.5%)を1.4\times$で提供することに成功した。 コードはhttps://github.com/moomight/STRACE で公開されている。

関連論文リスト

• The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows [72.9051182568928]
  推論駆動最適化のための統合フレームワークであるReASearchを提案する。 共有エージェントループとドメイン固有のツールにより、ReASearchは、プロンプト、プログラム、MLを最適化するために、まったく同じスキャフォールドをインスタンス化する。 我々は,複雑な探索行動がエージェントの推論プロセスから自然に現れることを観察する。
  論文  参考訳（メタデータ） (2026-08-07T02:15:39Z)
• Generative Refinement for Low-Budget Black-Box Optimization [33.559218731885046]
  ブラックボックス最適化は、情報なしで目的を最適化できる基本的な科学と工学のツールである。 生成モデルを利用してサブスペースをナビゲートする既存の手法は、報酬整合分布からサンプリングするために構築されている。 報酬信号から生成前を完全分離するアルゴリズムであるSPARROWを提案する。
  論文  参考訳（メタデータ） (2026-07-01T09:41:41Z)
• Unifying Temporal and Structural Credit Assignment in LLM-Based Multi-Agent Prompt Optimization [10.37712840622514]
  マルチエージェントシステム(MAS)は、大規模言語モデルに複雑な推論計算タスクに取り組む権限を与える。 既存のブラックボックスは、トラジェクトリレベルの障害を特定のローカルコンポーネントに原因付けるのに苦労する。 我々は、抽出可能なMAS最適化は、誤り信号のアンタングルを解消するために構造的帰納バイアスを必要とすると論じる。
  論文  参考訳（メタデータ） (2026-05-28T16:57:57Z)
• FrontierOR: Benchmarking LLMs' Capacity for Efficient Algorithm Design in Large-Scale Optimization [61.43300970020897]
  大規模言語モデル(LLM)は、最適化モデリングとソルバコード生成にますます使われている。 既存のベンチマークは、実際のスケールと複雑さよりもはるかに低い、小さな、あるいは単純化された例に限られている。 現実的な大規模最適化問題に対して,LLMに基づく効率的なアルゴリズム設計を評価するための最初のベンチマークとしてFrontierORを紹介した。
  論文  参考訳（メタデータ） (2026-05-24T20:10:42Z)
• IterInject: Indirect Prompt Injection Against LLM Agents via Feedback-Guided Iterative Optimization [33.58630045185762]
  既存の攻撃は、エージェント固有の防御に適応できない静的ペイロードに依存している。 インジェクション,診断,診断のループを閉じるフィードバック誘導反復型フレームワークである oursys を導入する。 ステップは、失敗パターンから新しい偽の種を生成し、戦略空間を自己進化させる。
  論文  参考訳（メタデータ） (2026-05-23T17:00:06Z)
• AdaExplore: Failure-Driven Adaptation and Diversity-Preserving Search for Efficient Kernel Generation [59.964989458924585]
  AdaExploreは、パフォーマンスクリティカルなカーネルコード生成のための蓄積された実行フィードバックによる自己改善を可能にするエージェントフレームワークである。 適応段階では、エージェントはタスクを合成し、繰り返し発生する障害を有効ルールの再利用可能なメモリに変換する。 探索段階では、候補核を木として整理し、小さな局所精製とより大きな構造再生を交互に行う。
  論文  参考訳（メタデータ） (2026-04-17T18:25:03Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• CODMAS: A Dialectic Multi-Agent Collaborative Framework for Structured RTL Optimization [5.592208774984063]
  CODMASは、構造化弁証法とドメイン認識コード生成と決定論的評価を組み合わせたフレームワークである。 120のVerilogトリプル(最適化されていない、最適化された、テストベンチ)のベンチマークであるRTLOPTを導入し、パイプライン化とクロックゲーティング変換を行った。
  論文  参考訳（メタデータ） (2026-03-17T23:10:07Z)
• Efficient Differentiable Causal Discovery via Reliable Super-Structure Learning [51.20606796019663]
  本稿では,新たな因果発見パイプラインであるALVGLを提案する。 ALVGLはスパース分解とローランク分解を用いてデータの精度行列を学習する。 ALVGLは最先端の精度を達成するだけでなく、最適化効率を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-01-09T02:18:59Z)
• DecEx-RAG: Boosting Agentic Retrieval-Augmented Generation with Decision and Execution Optimization via Process Supervision [50.89715397781075]
  Agentic Retrieval-Augmented Generation (Agentic RAG)は、複雑なタスクの処理能力を向上する。 我々は,決定と実行を取り入れたマルコフ決定プロセス(MDP)としてRAGをモデル化したDecEx-RAGを提案する。 DecEx-RAGは6つのデータセットに対して平均6.2%の絶対的なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-10-07T08:49:22Z)
• syftr: Pareto-Optimal Generative AI [40.80352098169579]
  syftrはエージェントと非エージェントのRAG構成の広い領域で効率的な多目的探索を行うフレームワークである。 Syftrは、最も正確な流れの正確さを保ちながら、平均して9倍のコストで流れを見つける。
  論文  参考訳（メタデータ） (2025-05-26T17:43:13Z)
• Discovering Preference Optimization Algorithms with and for Large Language Models [50.843710797024805]
  オフライン優先最適化は、LLM(Large Language Model)出力の品質を向上・制御するための重要な手法である。 我々は、人間の介入なしに、新しい最先端の選好最適化アルゴリズムを自動で発見する客観的発見を行う。 実験は、ロジスティックと指数的損失を適応的にブレンドする新しいアルゴリズムであるDiscoPOPの最先端性能を示す。
  論文  参考訳（メタデータ） (2024-06-12T16:58:41Z)

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。